位科向师

羊 ' 、万教
养 rJV
究导
培学研指

万方数据
万方数据
 A Dissertation Submitted to

Taiyuan University of Technology

In partial fulfillment of the requirement

For the degree of Master

Brain Network Dynamics Modeling and

Application Based on Improved Genetic Algorithm

By

Lan Yang

College of Information and Computer

June 2022

万方数据
万方数据
 万方数据

学位论文原创性声明

本人郑重声明:所呈交的学位论文，是本人在导师的指导下，独立进
行研究所取得的成果。除文中己经注明引用的内容外，本论文不包含其他
个人或集体己发表或撰写过的科研成果。对本文的研究做出贡献的个人和
集体，均己在文中以明确方式标明。本声明的法律责任由本人承担。

论文作者签名:和精 签字日期 : v<J);''Y'年 4 月苞日

学位论文版权使用授权书

本学位论文作者和指导教师完全了解太原理工大学有关保留、使用学
位论文的规定:学校有权保留并向国家有关部门或机构送交学位论文的复
印件和电子版;允许本学位论文被查阅和借阅;学校可以将本学位论文的
全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或其他复
制手段保存和汇编本学位论文。

本学位论文属于:保密口 在 年解密后适用本授权书

不保密 ßi

论文作者签名:和喝 导师签名:林凡
签字日期: 1A)")'1年 4 月哆日 签字日期 : lAJ>>年仗月哆日
万方数据
 学位论文答辩信息表

论文题目 基于改进遗传算法的脑网络动力学建模及应用

答辩日期 2022.05.22 答辩秘书 牛焱

学位论文答辩委员会成员

姓名 职称 工作单位 备注

韩燮 教授 中北大学 主席

段利国 副教授 太原理工大学 委员

邓红霞 副教授 太原理工大学 委员

万方数据
万方数据
 摘 要

摘 要

大脑是一个多脑区动态交互的复杂动力学系统，基于具备生物学特性的大尺度脑网
络动力学模型将多模态数据整合到一个通用框架中，可以揭示大脑结构和功能关系，理
解大脑工作机制，探究脑疾病的致病机制。因此脑网络动力学模型建模及应用是计算机、
生物医学、物理学等交叉领域的研究热点之一。
基于不同的理论，研究人员提出了多种脑网络动力学模型，并基于这些模型进行了
较多的探索性研究。其中，模型包含的多个参数将直接影响模型构建的合理性，且大多
数参数的设置依赖于经验和参数空间，从而导致建模过程依赖于研究人员的经验和高性
能的计算资源，同时也非常耗时，因此制约了基于计算神经理论的进一步发展和应用。
另外，由于建模过程非常复杂，对于生物医学、影像学等相关领域的研究人员来说，还
缺少功能完善、人机交互好的建模工具。因此，迫切需要改进模型参数优化方法，并搭
建功能完善、交互友好的建模工具。
参数优化问题是计算机领域的经典问题之一，即：受约束条件影响的组合优化问题，
对此研究人员已经提出许多经典启发式算法（如：遗传算法等）。本研究提出了自适应
的遗传算法，简化和缩短了脑网络动力学模型的参数设置和建模过程，并与使用探索参
数空间方法所构建的模型进行了对比分析。最后，利用本文改进的优化算法对健康年轻
被试进行个性化大脑建模，对其进行验证与应用，并为相关领域人员开发了一个简单便
捷的个性化脑网络动力学模型工具包。本文的主要研究内容如下：
（1）改进遗传算法用于脑网络动力学参数优化。
针对脑网络动力学模型研究领域提出的参数优化较为困难这一问题，根据动力学模
型参数特点，引入遗传算法。由于传统遗传算法的局限性不利于直接应用于脑网络动力
学模型的参数优化问题，因此本文对其进行了改进，将随机遍历抽样选择方式与锦标赛
选择方式相结合，同时采用自适应的交叉算子和变异算子。利用基准测试函数验证本文
所提算法的性能，结果表明，本文所提算法收敛速度快，且避免陷入局部最优，可以用
于脑网络动力学的参数优化。
（2）构建及验证个性化脑网络动力学模型。
基于本文实现的参数优化算法，本研究选取 HCP 数据集中的 42 名健康年轻人的真
实结构与功能数据信息，构建了与其相对应的个性化脑网络动力学模型，并模拟大脑神
经活动，进一步通过三个实验对构建的模型进行验证：① HCP 真实数据与模型产生模
拟数据的相关分析；② 与零模型对比分析；③ 分别计算真实数据和模拟数据的时域、
频域指标，并进行相关分析。结果表明：改进后的遗传算法能够快速进行最优参数设置，
与探索参数空间方法相比，在不降低模拟效果的同时，缩短了建模时间，简化了建模过

万方数据
 太原理工大学硕士学位论文

程。
（3）脑网络动力学模型的应用。
脑网络动力学模型在揭示大脑机理、解锁脑疾病机制与调控手段等方面具有不可比
拟的优势（如研究结果的重测性高、不受伦理限制等）。基于本文实现的参数优化算法
构建脑网络动力学模型，不仅可以代替真实数据，避免真实数据采集过程中可能存在的
各种干扰，还能提高结果的重测性。本文通过两个应用说明了这些优势：① 对真实与
模拟数据上的动态指标进行了重测信度分析；② 随机选取经典文献进行了再现。
（4）开发脑网络动力学模型仿真工具包。
为方便多种学科领域人员构建脑网络动力学模型，本文集成参数优化算法，开发了
一个基于 Matlab 的脑网络动力学模型仿真可视化工具包。该工具包功能较为完善，使
用简单，且人机交互友好。使用人员即使不理解动力学模型原理，也可以快速准确地构
建脑网络动力学模型，并模拟与真实观察结果相类似的脑神经活动。该工具包为相关领
域科研人员提供较好的研发平台，可以促进脑网络动力学建模及进一步的应用。
综上，作为国家自然科学基金（阿尔茨海默症患者多尺度动态脑网络建模及分析，
number: 61873178）中的一项重要研究内容，本研究以构建脑网络动力学模型为研究目
标，改进了遗传算法，优化了脑网络动力学模型建模过程中的参数优化，对所构建的模
型进行了验证与应用，并实现了可视化建模工具包。实验结果表明本文提出的参数优化
方法及可视化工具包为相关领域人员提供了个性化大脑仿真及研究的有利工具。

关键词：脑网络动力学模型；Kuramoto 模型；改进遗传算法；探索参数空间自动化；
模型构建

II

万方数据
 ABSTRACT

ABSTRACT

The brain is a complex dynamic system with dynamic interactions of multiple brain
regions. The large-scale brain network dynamics model with biological characteristics
integrates multimodal data into a general framework, which can reveal the relationship
between brain structure and function, understand the working mechanism of the brain, and
explore the pathogenic mechanism of brain diseases. Therefore, the modeling and application
of brain network dynamics model is one of the research hotspots in the fields of computer,
biomedicine, physics and so on.
Based on different theories, researchers have proposed a variety of brain network
dynamics models. And based on these models, more exploratory studies have been conducted.
Among them, the multiple parameters contained in the model will directly affect the
rationality of the model construction. And the setting of most parameters depends on
experience and parameter space, so that the modeling process depends on the experience of
researchers and high-performance computing resources. At the same time, it is also very
time-consuming, thus restricting the further development and application of computational
neural theory. In addition, because the modeling process is very complex, for researchers in
related fields such as biomedicine and imaging, there is still a lack of modeling tools with
complete functions and good human-computer interaction. Therefore, it is urgent to improve
the model parameter optimization method and build a modeling tool with complete functions
and friendly interaction.
The parameter optimization problem is one of the classic problems in the computer field,
namely: combinatorial optimization problems affected by constraints. In this regard,
researchers have proposed many classical heuristic algorithms, such as: genetic algorithm and
so on. This study proposes an adaptive genetic algorithm, which simplifies and shortens the
parameter setting and modeling process of the brain network dynamics model. The models
constructed by the method were compared and analyzed. Finally, using the improved
optimization algorithm in this dissertation to carry out personalized brain modeling of healthy
young subjects, verify and apply it, and develop a simple and convenient personalized brain
network dynamics model toolkit for related fields. The main research contents of this
dissertation are as follows:
(1) Improved genetic algorithm for optimization of brain network dynamics parameters.
Aiming at the difficulty of parameter optimization in the field of brain network dynamics

III

万方数据
 太原理工大学硕士学位论文

model research, genetic algorithm is introduced according to the parameters of the dynamics
model. Since the limitation of traditional genetic algorithm is not conducive to the parameter
optimization problem directly applied to the brain network dynamics model, this dissertation
improves it, combining the random traversal sampling selection method with the tournament
selection method, and adopting adaptive crossover operator and mutation operator. The
performance of the algorithm proposed in this dissertation is verified by the benchmark
function. The results show that the algorithm proposed in this dissertation has a fast
convergence speed and avoids falling into local optimum, and can be used for parameter
optimization of brain network dynamics.
(2) Construct and verify the personalized brain network dynamics model.
Based on the parameter optimization algorithm implemented in this dissertation, this
study selected the real structural and functional data information of 42 healthy young people
in the HCP dataset, constructed a corresponding personalized brain network dynamics model,
and simulated the brain. The constructed model was further verified through three
experiments: ① Correlation analysis between the real data of HCP and the simulated data
generated by the model; ② Comparative analysis with the null model; ③ Calculate the
time domain and frequency domain indicators of the real data and simulated data respectively ,
and perform related analysis. The results show that the improved genetic algorithm can
quickly set the optimal parameters. Compared with the method of exploring parameter space,
the modeling time is shortened and the modeling process is simplified without reducing the
simulation effect.
(3) Application of brain network dynamics model.
Brain network dynamics models have unparalleled advantages in revealing brain
mechanisms, unlocking brain disease mechanisms and regulation methods.The brain network
dynamics models have unparalleled advantages in revealing brain mechanisms, understanding
brain disease mechanisms and regulation methods, such as high test-retestability of research
results, no ethical restrictions and so on. Building a brain network dynamics model based on
the parameter optimization algorithm implemented in this dissertation can not only replace
real data, avoid various interferences that may exist in the process of real data acquisition, but
also improve the test-retestability of the results. This dissertation illustrates these advantages
through two applications: ① A test-retest reliability analysis is performed on dynamic
indexes on real and simulated data; ② The classical literature is randomly selected for
reproduction.
(4) Develop a simulation toolkit for brain network dynamics model.

IV

万方数据
 ABSTRACT

In order to facilitate the construction of brain network dynamics models for people in
multiple disciplines, this dissertation integrates parameter optimization algorithms and
develops a simulation visualization toolkit for brain network dynamics model based on
Matlab. The toolkit has relatively complete functions, is simple to use, and is friendly to
human-computer interaction. Even if the user does not understand the principle of the
dynamic model, the dynamic model of the brain network can be quickly and accurately
constructed, and the brain neural activity similar to the real observation results can be
simulated. The toolkit provides a better research and development platform for researchers in
related fields, which can promote neural dynamics modeling and further applications.
In summary, as an important research content of the National Natural Science
Foundation of China (Modeling and Analysis of Multiscale Dynamic Brain Networks in
Alzheimer's Disease Patients, number: 61873178), this study aims to build a dynamic model
of brain networks, improved the genetic algorithm, optimized the parameter optimization in
the modeling process of the brain network dynamics model, verified and applied the
constructed model, and realized the visual modeling toolkit. The experimental results show
that the parameter optimization method and visualization toolkit proposed in this dissertation
can provide a beneficial tool for personal brain simulation and research for related fields.

Keywords: brain network dynamics models; Kuramoto model; improved genetic algorithm;
automated exploration of parameter space; model building

万方数据
 太原理工大学硕士学位论文

VI

万方数据
 目 录

目 录
摘 要 .........................................................................................................................................I
ABSTRACT ............................................................................................................................. III
图索引 ...................................................................................................................................... IX
缩略语表 .................................................................................................................................. XI
第1章 绪论 ............................................................................................................................ 1
1.1 研究背景及意义 .......................................................................................................... 1
1.2 国内外研究现状 .......................................................................................................... 2
1.2.1 脑网络动力学模型研究现状 ............................................................................ 2
1.2.2 脑网络动力学模型参数优化研究现状 ............................................................ 3
1.2.3 脑网络动力学模型计算工具研究现状 ............................................................ 4
1.2.4 问题提出 ............................................................................................................ 5
1.3 论文的主要内容 .......................................................................................................... 6
1.4 论文的结构安排 .......................................................................................................... 7
1.5 本章小结 ...................................................................................................................... 8
第2章 脑网络动力学模型介绍 ............................................................................................ 9
2.1 动力学模型原理介绍 .................................................................................................. 9
2.2 耦合相位振荡器 Kuramoto 模型 .............................................................................. 10
2.3 动力学模型参数优化问题的描述 ............................................................................ 11
2.4 本章小结 .................................................................................................................... 12
第3章 基于改进遗传算法的参数优化研究 ...................................................................... 13
3.1 参数优化算法的介绍 ................................................................................................ 13
3.2 改进遗传算法研究 .................................................................................................... 14
3.2.1 传统的选择算子 .............................................................................................. 14
3.2.2 改进后的选择算子 .......................................................................................... 16
3.2.3 自适应交叉和变异算子 .................................................................................. 17
3.2.4 改进后的遗传算法 .......................................................................................... 17
3.2.5 验证函数及计算效果对比 .............................................................................. 19
3.3 脑网络动力学模型工具包的开发 ............................................................................ 23
3.4 本章小结 .................................................................................................................... 25

VII

万方数据
 太原理工大学硕士学位论文

第4章 脑网络动力学模型的构建、验证及应用 .............................................................. 27

4.1 脑网络动力学模型的优势 ........................................................................................ 27
4.2 数据介绍 .................................................................................................................... 27
4.3 脑网络动力学模型的构建 ........................................................................................ 28
4.3.1 模型构建约束 .................................................................................................. 28
4.3.2 模拟 BOLD 信号和功能连接 ......................................................................... 31
4.3.3 模型参数约束条件 .......................................................................................... 32
4.3.4 模型参数评价标准 .......................................................................................... 32
4.3.5 基于传统遗传算法的模型参数优化 .............................................................. 33
4.3.6 基于改进遗传算法的模型参数优化 .............................................................. 34
4.3.7 基于探索参数空间的模型参数优化 .............................................................. 34
4.3.8 模型构建结果及分析 ...................................................................................... 35
4.4 脑网络动力学模型的验证 ........................................................................................ 38
4.4.1 零模型 .............................................................................................................. 38
4.4.2 时域 .................................................................................................................. 39
4.4.3 频域 .................................................................................................................. 40
4.5 脑网络动力学模型的应用 ........................................................................................ 41
4.5.1 重测性分析 ...................................................................................................... 41
4.5.2 文献结果再现 .................................................................................................. 42
4.6 本章小结 .................................................................................................................... 46
第5章 总结与展望 .............................................................................................................. 47
5.1 总结 ............................................................................................................................ 47
5.2 展望 ............................................................................................................................ 48
参考文献 .................................................................................................................................. 49
附 录 A .................................................................................................................................. 57
攻读学位期间取得的研究成果 .............................................................................................. 59
致 谢 ...................................................................................................................................... 61

VIII

万方数据
 图索引

图索引
图 1-1 主要研究内容及目标 ..........................................................................................7
图 2-1 三个为一组的相互连接的相位振荡器 ............................................................ 11
图 2-2 三种参数优化算法 ............................................................................................12
图 3-1 锦标赛选择示意图 ............................................................................................15
图 3-2 轮盘示意图 ........................................................................................................15
图 3-3 随机遍历抽样示意图 ........................................................................................16
图 3-4 改进遗传算法的流程图 ....................................................................................18
图 3-5 函数 f1 x  的三维图 .............................................................................................19
图 3-6 函数 f 2 x  的三维图 ............................................................................................ 20
图 3-7 函数 f 3 x  的三维图 ............................................................................................ 20

图 3-8 函数 f 4 x  的三维图 ............................................................................................ 21

图 3-9 函数 f1 x  的各代平均值和最优值变化 ............................................................ 21
图 3-10 函数 f 2 x  的各代平均值和最优值变化 .......................................................... 22
图 3-11 函数 f 3 x  的各代平均值和最优值变化 .......................................................... 22

图 3-12 函数 f 4 x  的各代平均值和最优值变化 .......................................................... 23

图 3-13 工具包的整体架构图 ......................................................................................24
图 3-14 工具包的主界面 ..............................................................................................25
图 4-1 结构连接示意图 ................................................................................................29
图 4-2 组级平均结构类矩阵 ........................................................................................29
图 4-3 功能连接示意图 ................................................................................................30
图 4-4 组级平均 FC 矩阵 ............................................................................................. 30
图 4-5 动态功能连接矩阵示意图（参考[5]） .............................................................31
图 4-6 脑网络动力学模型构建流程 ............................................................................32
图 4-7 三种参数优化算法的参数优化后的 FC 相关性比较 ..................................... 36
图 4-8 经过探索参数空间方法对组级数据参数优化结果 ........................................36
图 4-9 探索参数空间的参数矩阵 ................................................................................37
图 4-10 经过遗传算法对组级数据参数优化结果 ......................................................37
图 4-11 两种构建模型方法的经验与模拟 FC 相关度比较 ....................................... 39
图 4-12 两种构建模型方法的同步性与亚稳态的比较 ..............................................39

IX

万方数据
 太原理工大学硕士学位论文

图 4-13 模拟样本熵的结果与经验结果的相关性 ......................................................40

图 4-14 模拟结果与经验结果的相关性 ......................................................................41
图 4-15 真实数据与模拟数据的重测性比较 ..............................................................42
图 4-16 每个 RSN 的节点位于大脑皮层表面的位置 ................................................ 44
图 4-17 功能连接与动态网络特性之间的关系（参考[110]） .................................... 44
图 4-18 功能连接与动态网络特性之间的关系 ..........................................................45

万方数据
 缩略语表

缩略语表

缩略语 术语 英文全称
AUD 听觉网络 Auditory network
BOLD 血氧水平依赖 Blood oxygenation level dependent
CEN 中央执行网络 Central executive network
D 距离矩阵 Distance matrix
DAN 背侧注意网络 Dorsal attentional network
DBS 深度脑刺激 Deep brain stimulation
DMN 默认模式网络 Default mode network
DTI 弥散张量成像 Diffusion tensor imaging
DWI 扩散加权成像 Diffusion -weighted imaging
FC 功能连接 Functional connectivity
FCD 动态功能连接 Functional connectivity dynamics
fMRI 功能性磁共振成像 Functional magnetic resonance imaging
FOV 视场角 Field of view
GA 遗传算法 Genetic Algorithm
GS 全局相似度 Global similarity
ICC 组内相关系数 Intraclass correlation coefficient
LFP 局部场电位 Local field potential
MEG 脑磁图 Magnetoencephalography
MNI 蒙特利尔神经研究所 Montreal Neurological Institute
other 其它网络 other network
PD 帕金森病 Parkinson’s disease
ROI 感兴趣区域 Region of interest
RSN 静息态网络 Resting-State Network
SAN 显著性网络 Salience network
SC 结构连接 Structural connectivity
SMN 感觉运动网络 Sensorimotor network
TE 回波时间 Echo time
TR 重复时间 Repetition time
TVB 虚拟大脑 The virtual brain
VIS 视觉网络 Visual network

XI

万方数据
 太原理工大学硕士学位论文

XII

万方数据
 第1章 绪论

第1章 绪论

1.1 研究背景及意义

大脑是由无数相互连接的神经元构成的高度复杂网络，其通过神经元的动作电位、
神经递质与神经突触的变化改变神经元的活性，并在大脑结构和认知需求的空间以及时
间的约束下，不同脑区间的功能活动被认为反映了神经元群体之间的复杂动态相互作用。
为了更好的诠释大脑的活动机制，神经科学家们将大脑视为一个动力学系统，还提出了
两个普便接受的原则：“我们所有丰富的内部体验和外部活动，不过是神经元持续的动
作电位模式”和“我们从过去经验中学习的能力，大多归功于神经元之间突触连接的可
塑性”。这两个原则，在大脑的结构和功能之间搭起一座桥梁，同时也将脑网络动力学
模型与大脑的认知功能联系起来。
脑网络动力学模型作为理解大脑活动的一个重要工具，可以将多模态数据整合到一
个通用框架中，用于研究神经解剖结构和连通性的功能结果[1]，促进理解大脑工作机制
和脑疾病的发病机制。多项研究在解剖结构连接体耦合约束的基础上，通过利用数学偏
微分方程、基于经验或依赖于探索参数空间进行参数设置所构建的脑网络动力学模型，
解释从神经影像数据观察到的神经元动力学特性，揭示大脑如何产生大规模活动的基本
原理，帮助分类和预测大脑的脑部状态[2]。有证据表明，生物大脑皮层普遍在临界点附
近活动，但尚未发现普遍适用的标度。因此，通过经验功能影像数据对模型参数动态优
化在建模过程中变得至关重要，这也使所构建的脑网络动力学模型更具合理性。
伴随应用数学的发展和计算机技术的提升，研究者们已经可以把复杂的实际问题抽
象成数学模型，再通过计算机进行精准计算。在某些约束条件下，寻求一个数学模型的
解或是近似解，这类问题被称为优化问题[3]。对某些实际优化问题而言，优秀的优化算
法能够显著提高研究人员的工作效率，因此优化算法需要进一步研究。随着人类发展中
所需解决的问题愈发复杂多样，传统算法在解决非线性问题上及其耗时，且结果也不尽
人意。自然界经过数亿年进化，并孕育出大量的生物系统，受自然界生物系统的启迪，
诸多启发式算法陆续被研究人员提出，并且被应用于多个领域。在许多研究场景下，无
需在意理论最优值的意义，而需要能够满足所有条件的相对优化解，启发式算法的出现
可以很好的解决该类问题，相对缩短寻找全局最优解的时间，更贴合现实具体场景的需
求。
目前，脑网络动力学模型的建模过程依赖于研究人员的经验和高性能的计算资源，
同时十分耗时，从而制约了基于计算神经理论的进一步发展和应用。另外，由于建模过
程非常复杂，对于生物医学、影像学等相关领域的研究人员来说，还缺少功能完善、人
1

万方数据
 太原理工大学硕士学位论文

机交互好的建模工具。因此，迫切需要使用合适的启发式算法改进模型参数优化方法，
并搭建功能完善、交互友好的建模工具。本研究以构建脑网络动力学模型为研究目标，
基于改进遗传算法优化脑网络动力学模型建模过程，对所构建的模型进行验证与应用，
并实现可视化建模仿真工具包。本研究不仅为仿真实验提供有利工具，还有助于个性医
疗发展，并为干预和治疗开辟新的道路。

1.2 国内外研究现状

1.2.1 脑网络动力学模型研究现状

脑网络动力学模型是描述神经成像数据生成假定过程的数学模型，可以体现从不可
观察的大脑状态（认知或神经生理学）到可实验测量的概率映射[4]。这些模型可以根据
不同程度的生物物理真实性和复杂性区分，包括特定神经递质的耦合尖峰神经元的详细
模型，神经场或神经质量模型，以及现象学的介观模型。重要的是，大部分不同的生成
模型一定程度上可以用在相同的场景，且这些模型的参数设置相对于生物学上对应参数
的范围是可靠的[5]。
2011 年 Cabral 等人使用 Kuramoto 耦合振荡器探索了大脑作为嵌合体时所产生的同
步机制[6]。即使在没有噪声的情况下，在 Gamma 频段的脑网络的时空结构也支持强大
的亚稳态动力学，其中不同的子网随时间的推移在时间尺度上进行同步与不连贯的交替。
这种亚稳态机制（其中部分同步状态仅在有限的时间段内保持稳定）会引起子网同步程
度的自发波动，从而导致相关的血氧水平依赖（Blood oxygenation level dependent, BOLD）
信号缓慢波动[7,8]。
2012 年 Deco 和 Jirsa 等人提出了通过兴奋性和抑制性尖峰神经元网络模型来模拟每
个脑区间的相互连接作用[9]。当不耦合时，神经池的特征是在所有皮层区域都具有稳定
的低放电活动。随着区域之间耦合的增加，尖峰神经元的集体行为可以稳定地形成高放
电活动模式，而低放电活动的状态仍然稳定。在这种临界耦合范围内，系统处于多稳态
的边缘（不同的稳定状态共存），小的噪声扰动会引起状态之间的转换，导致缓慢的波
动来调节血流动力学信号，从而再现由功能磁共振成像获得的经验功能连接（Functional
connectivity, FC）。
2014 年 Messe 等人利用自回归模型将 BOLD 信号视为所有脑区中由噪声波动产生的
纯线性组合[10]。值得注意的是，这种模型在通过结构连接（Structural connectivity, SC）
预测经验 FC 方面表现得与其他模型一样好，但是由于该模型忽略了任何动力学方面的
内容，因此无法用现象学的方式来评估对静息态活动的起源的研究[11]。
2017 年 Deco 等人提出了一种具有快速振荡的 Hopf 模型[12]，考虑到大脑区域可以在
一个（或多个）基频（范围在 2 到 30 Hz 之间）共振，这与脑磁图（Magnetoencephalography,

万方数据
 第1章 绪论

MEG）揭示的静息态活动的频谱特征一致。在该模型中，由振荡引起的亚稳态和同步性
会随着相应振荡功率的增加而导致出现窄带载波振荡的缓慢和非周期性包络波动。
除上面介绍的几种经典的动力学模型外，还有很多模型，便不一一介绍。根据前人
的研究可知，深入探索动力学模型可以分析在数据与观察到的现象之间的关系，可以帮
助预测和假设，作为进一步的实验研究和数据分析的基础。基于经验约束的动力学数学
模型可以作为一种独特的预测工具，帮助研究者理解大脑的工作原理。研究表明，大尺
度脑网络动力学模型可以帮助理解结构和功能连通性之间的对应关系[13]，并且还为研究
静息态活动背后的生物物理机制提供有用的工具[5]。同时，模型可以帮助理解神经递质
耦合机制，从而实现固定解剖连接下的可变功能动力学[14]。此时，噪声强度、耦合延迟、
全局耦合强度和抑制兴奋平衡等参数可能起着至关重要的作用[6,15]。脑网络动力学模型
也是将网络行为与病理学联系起来的关键[16]，不仅有助于研究人员了解疾病的起源和机
制原因，也开辟了新的干预和治疗方法。作为一个典型的例子，精神分裂症被看作是一
种脑网络障碍，经脑网络动力学模型的仿真表明，临床症状和功能连接的变化可以通过
模型中全局耦合强度的变化来解释[17,18]；此外，也可以通过静息态脑动力学来说明帕金
森病（Parkinson’s disease, PD）患者长期深度脑刺激（Deep brain stimulation, DBS）引起
结构连接变化是如何在功能连接中反映，以及如何抵消异常神经元同步特征[19,20]；同时，
在此基础下，还提出一种虚拟癫痫患者的概念[21,22]。这种模型基于个性化的结构连接和
其他指标（如病变、致痫区等），可以进行验证和优化，以反映、解释和预测癫痫的发
作[22]。此外，基于建模的方法还可以提供一种监测大脑状态转换的新途径，并进一步了
解临界性、连通性和意识状态之间的关系[23]。已有研究洞察到，模型中的耦合强度和耦
合延迟被认为是潜在影响健康老化的生物标志物[24]。

1.2.2 脑网络动力学模型参数优化研究现状

模型参数的校准可以使得利用动力学模型构建的脑网络与从真实数据中提取的大
脑网络更加近似[2]。研究发现，存在最佳的参数设置，其中经验 FC 矩阵与根据模型生成
数据计算的 FC 矩阵高度相关。当模型的参数接近一个临界点时，模型与真实数据之间
的最大对应关系就会出现，在这个临界点上，系统可能经历分叉、其动力学的突然定性
变化，或处于对扰动高度敏感的多稳态状态[25,26]。
大量研究普遍选用探索参数空间的方法进行脑网络动力学模型的参数优化，但选用
的参数评价指标存在不一致。Lee 等人选用了探索参数空间方法对 Kuramoto 模型进行
参数优化，其参数的评价指标选用了经验功能连接与模拟的相关性（r = 0.44），以及同
步性、亚稳态的值（同步性为 0.8，亚稳态为 0.04）[27]；Fukushima 等人选用了探索参数
空间方法对 Kuramoto 模型进行参数优化，其参数的评价指标选用了经验功能连接与模
拟的相关性（对节点 r = 0.331，对全局 r = 0.400）、动态功能连接矩阵的经验分布与模
拟分布之间的 Kolmogorov-Smirnov（KS）距离（小于 0.33）、平均参与系数（平均值

万方数据
 太原理工大学硕士学位论文

为 0.52），以及模块化的值（平均值为 0.49）[28]；Vasa 等人选用了探索参数空间方法对

Kuramoto 模型进行参数优化，其参数的评价指标选用了经验功能连接与模拟的相关性
（r = 0.27），以及经验内在连接网络与模拟的相关性（r = 0.63）[29]；Deco 等人选用了
探索参数空间方法对平均场模型进行参数优化，其参数的评价指标选用了经验功能连接
与模拟的相关性（r > 0.5），以及经验与模拟的 Kuramoto 序参量差值的二次误差（最小
值为 0）；Deco 等人选用了探索参数空间方法对 Hopf 模型进行参数优化，其参数的评
价指标选用了真实数据的基本空间函数值的最大值与模拟结果的比较（最大值为 0.2）、
真实数据的柯尔莫哥洛夫结构函数值的最大值与模拟结果的比较（最大值为 0.21），以
及“经验平均功能相关性/经验 FC 的模块化水平”的最大值与模拟结果的比较（最大值
为 0.3）[30]；Kobeleva 等人选用了探索参数空间方法对动态平均场模型进行参数优化，
其参数的评价指标选用了经验亚稳态与模拟的差值（最小值为 0.2）、相位一致性矩阵
的经验分布与模拟分布之间的 Kolmogorov-Smirnov（KS）距离（最小值为 0.1），以及
动态功能连接矩阵的经验分布与模拟分布之间的 KS 距离（最小值为 0.09）[31]。但也有
个别例外，Wang 等人选用了最大期望算法对动态平均场模型进行参数优化，其参数优
化的评价指标选用了经验功能连接与模拟的相关性（r = 0.46）[32]。综上，基于已有研究
可以看出，具有生物物理细节的动力学模型的参数优化相对复杂，若在参数众多的情况
下，系统地利用探索参数空间方法进行模拟和分析将会变得不切实际[4]。

1.2.3 脑网络动力学模型计算工具研究现状

在神经科学领域，研究者们在理解复杂的生物动力学系统时往往需要借助理论和计
算模型，但多领域知识的集成使得利用建模的研究更加难以分析，因此对用户友好的大
脑动力学分析工具箱的需求越来越大。为了更好的建立、验证和应用脑网络动力学模型，
研究人员已开发许多工具，将生物学相关性与计算算法相结合，以实现高性能的计算集
群。
NEURON 由美国著名高校杜克大学和耶鲁大学联合开发，作为一种早期神经网络
动力学仿真工具，可在网站免费获得源代码及安装包，同时该团队还编写了一本名为
《The NEURON book》的教材用于介绍该工具箱的建模及使用[33]。NEURON 最引以为
豪的优势是为研究神经科学的用户提供了较大的便利。NEURON 中的很多参数、概念
在生物系统中有着相对应的物理性质和概念，能加快实验假设到仿真模型的转化。
BRIAN 是一个时钟驱动的神经网络动力学模拟器，是由 Python 编程语言实现的[34]，
不用像 NEURON 等工具那样需要学习专用的仿真语言，同时还容易构建新的模型。
NEST 是一个用来进行大尺度神经网络动力学仿真的并行和分布式模拟器[35]。因为
其神经元是点神经元，因此不支持较为复杂的神经元形态。这使得单个神经元仿真的复
杂性降低，进而支持大规模的神经网络仿真。
PyNN 是一个神经网络模拟器的编程接口，目标是“一次书写，到处使用”，即按

万方数据
 第1章 绪论

照 PyNN 标准书写的仿真代码可以在不经过修改地基础上在所有支持的模拟器仿真[36]。
PyNN 的目标背景需要依托大量的神经网络模拟器的存在，并且它们各自使用不同的仿
真语言，各个支持不同的模型。这对模型的可移植性和模拟器闻的交叉验证都是一个极
大的考验。PyNN 现在支持的模拟器包括 NEURON、NEST、Brian 以及德国海德堡大学
的硬件神经网络仿真平台。
虚拟大脑（The Virtual Brain, TVB）是一个基于 Python 语言的开源平台，在该平
台上可以从原始的多模态成像数据中得到相应的大尺度脑网络动力学模型，并且可以达
到真实数据和模拟数据之间的最佳匹配[37]。TVB 不仅可以编写相关 Python 代码，也可
以使用用户友好的界面。该平台使用生物现实连接来模拟整个大脑网络，允许用户进行
自定义模拟，分析结果，并将其与神经成像结果进行比较[37,38]，并且这个平台已经可以
成功地从脑疾病状态[21,22,39]研究到刺激[40,41]，再研究到静息态网络动力学的应用[13,42]。
但是，由于某些原因，TVB 并未广泛用于大尺度全脑建模。具体原因可能是，该平台在
模拟参数时采用了探索参数空间的方法，这不仅需要人的参与，而且传统的探索参数空
间的方法会比较慢；输入的结构数据文件需要对结构数据进行全面的皮层重建和顶点到
脑区的映射，计算量大。
上述几个仿真工具是目前神经网络动力学领域最具有影响力的仿真工具箱，但前四
个均基于神经元角度进行仿真研究，无法体现出更多宏观上的信息，例如结构与功能连
接之间的关系，结构与功能的关系是否会随着任务、时间或疾病状态而发生改变等；而
TVB 虽然是目前仅有的基于脑区研究的工具，但其过程中仍需人为参与，且输入文件具
有较高要求，不利于跨学科专业的研究者使用。

1.2.4 问题提出

综上所述，基于构建脑网络动力学模型的应用研究已取得了一定的成果，然而模型
的构建过程复杂，不仅需要消耗大量人力、资源、时间等，还不利于生物医学、影像学
等相关领域的研究人员使用，则更贴近真实大脑的仿真工具也变得越来越重要。已有研
究存在以下问题：
（1）缺少可适用于脑网络动力学模型的参数优化算法
目前研究表明，构建脑网络动力学模型时，选用探索参数空间方法进行参数优化有
大概率找到最优参数，但是运行速度慢，且需人为参与；同时，结果还可能出现不收敛
的情况，从而不能更好的确定最优参数，同时仍需操作者具有分析数据的能力。但利用
计算机领域中启发式算法进行动力学模型参数优化的问题的研究还很少，是否可进行替
代还未得到具体的结论。
（2）缺少高效、人机交互好的构建脑网络动力学模型研究工具
动力学模型的原理难以理解，公式参数较多，构建过程复杂，在没有一定的基础下，
很难快速使用模型。多领域知识的集成也使得对模型进一步的分析更加难以推进，因此

万方数据
 太原理工大学硕士学位论文

拥有一个交互友好，功能完善，操作简单便捷的脑动力学分析工具包尤为重要。且目前
大多动力学工具都是基于神经元进行研究的，基于脑区进行研究的工具只有 TVB 一个。
该工具的参数优化算法是探索参数空间，在仿真过程中需人为参与，且参数探索运行效
率相对较低；同时，输入的结构数据文件需要对结构数据进行全面的皮层重建和顶点到
脑区的映射，这也需要大量的计算。这些均不利于将脑网络动力学模型快速应用于临床
研究。

1.3 论文的主要内容

综合国内外研究现状，本研究将动力学模型引入到大脑静息态功能性磁共振成像
（functional magnetic resonance imaging, fMRI）数据的研究中，旨在研究构建脑网络动
力学模型，并对现有算法进行一定改进，简化和缩短模型的参数设置和建模过程，同时
利用改进的参数优化算法对健康年轻被试进行个性化大脑建模，并对其进行验证与应用，
并开发一个操作简单便捷的个性化脑动力学模型工具包。研究内容总览如图 1-1 所示，
研究内容环环相扣，层层递进，为构建脑网络动力学模型研究提供了理论基础和技术支
持，实现了为相关领域人员提供简单、便捷、高效的有利工具的研究目标。主要研究内
容如下：
（1）传统遗传算法的改进
利用计算机的专业优势，根据动力学模型参数特点和传统遗传算法的局限性，对遗
传算法的选择、交叉、变异算子进行改进，使其更适用于脑网络动力学模型，更高效、
准确的模拟大脑神经活动，实现自动化参数优化。
（2）脑网络动力学模型的构建与验证
基于上述实现的参数优化算法，对健康年轻被试构建其相对应的个性化脑网络动力
学模型，并模拟大脑神经活动。进一步通过三个实验（HCP 真实数据与模型产生模拟数
据的相关分析；与零模型对比分析；分别计算真实数据和模拟数据的时域、频域指标，
并进行相关分析）对构建模型进行验证分析，证明了构建模型的准确性和非随机性。
（3）脑网络动力学模型的应用
基于构建脑网络动力学模型研究的潜在效用很大，本研究通过两个应用（对真实与
模拟数据上的动态指标进行重测信度分析；随机选取经典文献进行再现）说明了构建的
脑网络动力学模型，不仅可以在一定程度上代替真实数据，避免真实数据采集过程中可
能存在的各种干扰，还能提高结果的重测性，从而可扩宽研究思路。
（4）脑动力学模型仿真工具包的开发
为方便多领域研究人员构建脑网络动力学模型，集成参数优化算法，开发了一个基
于 Matlab 的脑网络动力学模型仿真可视化工具包，以用户友好和直观的方式根据大脑

万方数据
 第1章 绪论

连接体模拟与真实观察结果相类似的脑神经活动，人机交互友好，操作简单便捷。可通
过简单的信息输入，在不理解脑网络动力学模型原理的基础上，也可以快速获得大脑神
经活动的数据及相关分析。

图 1-1 主要研究内容及目标

Fig. 1-1 Main research content and goals

1.4 论文的结构安排

本文的结构安排如下：
第 1 章：绪论。本章首先介绍研究的背景和意义，其次介绍了脑网络动力学模型研
究现状、脑网络动力学模型参数优化研究现状和脑网络动力学模型计算工具研究现状，
并且根据研究现状提出相关问题，最后简要说明本文的主要内容和结构安排。
第 2 章：脑网络动力学模型介绍。本章介绍了有关脑网络动力学模型的基本原理及
相关模型，并详细介绍了耦合相位振荡器 kuramoto 模型。同时，参数优化问题是计算
机领域的经典问题之一，即受约束条件影响的组合优化问题，并对构建脑网络动力学模
型过程中参数优化的方法进行了文献调查分析。
第 3 章：基于改进遗传算法的参数优化研究。本章根据脑网络动力学模型参数的特
点和传统遗传算法的局限性对传统遗传算法进行改进，并利用基准测试函数验证本章所
提算法的性能。最后集成参数优化算法，搭建了一个简单便捷的脑网络动力学模型仿真

万方数据
 太原理工大学硕士学位论文

可视化工具包。
第 4 章：脑网络动力学模型的构建、验证及应用。本章基于上一章改进的参数优化
算法对健康被试进行个性化脑网络动力学模型的构建，并通过三个实验对所构建模型的
准确性和非随机性进行验证，最终将构建的个性化大脑在经典文献重现和动态指标的重
测信度分析中应用，以说明所构建模型的优势。
第 5 章：总结与展望。全面总结研究过程、结果及创新，分析研究中存在的不足。

1.5 本章小结

研究人员对单个神经元突增的原因进行了多年的研究，却不了解大规模皮层系统中
集体神经行为的过程，现发现可借助非线性动力学系统理论建立的大尺度的脑网络动力
学模型来进行对大脑活动的仿真研究，可以把多模态实验数据通过一个共同的框架进行
整合，从而促进大脑活动机制的研究、脑部变化的预测和脑疾病治疗方案的确定。本章
分析了目前构建脑网络动力学模型所涉及的研究现状与存在的问题，提出了本研究的主
要研究内容、研究目标和论文的框架。

万方数据
 第2章 脑网络动力学模型介绍

第2章 脑网络动力学模型介绍

目前，随着多领域的理论应用到脑科学研究中，研究人员创造性地提出了多种不同
原理的脑网络动力学模型，并基于这些模型进行了探索性的研究。由于脑网络动力学模
型背景机制和原理的不同，这些模型的适用场景也存在一定的差异。因此，根据研究人
员的需求选择合适的模型是本研究的基础。脑网络动力学模型是将大脑看作一个动力学
系统，并使用偏微分方程来描述大脑神经活动是怎样随着时间变化的。出于模型构建合
理性和高效性的考虑，参数优化成为脑网络动力学模型的关注重点。

2.1 动力学模型原理介绍

大脑网络的动态建模结合了神经生理学、统计物理学和非线性动力学等领域的发展。
动力学模型有很多，但可根据其原理大致分为生物信息模型和非生物信息模型两类[16]。
生物信息模型是在具有生物学知识的模型的背景下，将大脑视为一个由大量单细胞
神经元所覆盖，白质纤维信息所连接的系统[16]。通过研究两个神经元群体之间的连接，
可以体现出这类模型所具有的潜在生物物理学和神经生物学的系统优势[16]。目前，大多
数研究使用该类模型也都是采用相应的简化模型，例如神经质量模型或神经场模型，这
些模型更容易处理，同时支持模拟各种类型的行为活动。其中，神经质量模型有多种形
式，它们描述了不同神经元群体的平均活动，通常也会忽略了一定活动范围内的方差。
并且，神经质量模型通常以常微分方程的形式表述，因此它们的状态变量仅随时间而变
化，不随着空间的变化而变化；而神经场模型是根据偏微分方程的形式表述，便包含空
间影响。一些研究将神经场模型通过把拉普拉斯算子设置为零的方式来转化为神经质量
模型[43]。
相较生物学信息模型，研究者也通过使用非生物学信息模型对大尺度功能网络进行
研究。将非生物学信息模型用于大尺度网络的基本原理是处于全局连通性的过渡阶段，
模型的细节变得不那么重要[16,44]，例如 Kuramoto 模型[45]、线性阈值模型[46]、网络扩散
模型[47]和流行病传播模型[48]等。耦合相位振荡器的 Kuramoto 模型用于研究网络的同步
性以及亚稳态动力学。其与神经质量模型类似，这些振荡器可以在网络环境中进行研究，
允许振荡器使用基于 DTI 推导的结构网络进行交互[12]。除此之外，也有在复杂网络领域
开发的网络扩散模型和流行病传播模型。这种类型的相互作用模型被应用于从底层结构
网络预测 MEG 和 fMRI 数据构成的功能网络模式[48-50]。网络扩散模型模拟网络上的扩
散机制，这些方程与热扩散方程非常相似，但扩散方程中的拉普拉斯算子被转换为拉普
拉斯图。流行病传播模型是一类最初计划用于模拟流行病在人群中传播的模型。一个众
所周知的例子是易感-感染-易感模型：此网络中的节点可以被感染（活动）或易感（不
9

万方数据
 太原理工大学硕士学位论文

活跃，但可能被其邻居激发）。该模型最近被用于分析 2019 年引发的新型冠状病毒肺

炎的传播以及疫苗接种接受程度等[51,52]，并且也被用于分析探索癫痫发作的传播和不同
虚拟切除术的疗效[53]。
本文将用于研究网络同步的耦合相位振荡器 Kuramoto 模型作为代表进行进一步分
析，该动力学模型不仅是最初那个时期引入脑网络研究的经典模型，也是所有具有生理
意义的动力学模型中计算原理最为简单的一个。

2.2 耦合相位振荡器 Kuramoto 模型

已有研究发现在 BOLD 信号中观察到的结果与神经活动相对应，特别是在伽马频率

范围内的局部场电位（Local field potential, LFP）的缓慢功率波动中[54]。每个节点代表
一个由兴奋性和抑制性尖峰神经元群组成的神经网络。为了满足数值的易处理性，将以
简化的方式表示网络动力学，也就是说在神经群体水平上进行研究。体内电生理记录表
明，群体水平的神经活动通常表现出适度同步的振荡，特别是在伽马频率范围内（30-80
Hz）。在许多实验和理论研究中，局部神经网络已显示出伽马振荡，且这种振荡的机制
现已被广泛接受[55]。然而，已经发现了两种主要的动态机制：一是网络处于异步状态，
其中振荡表现为网络响应中的共振且仅在瞬态中表现[56]；二是网络表现为自发的持续振
荡[57]。尽管这两种动态机制之间存在质的差异，但当表现出适度的同步水平时，网络可
能 处 于 一 种 或 另 一 种 机 制 中 。 根 据 Deco 等 人 的 结 果 发 现 ， 其 中 节 点 （ 建 模 为
Wilson-Cowan 模型）表现出自发持续振荡，因此在此之后普遍都假设网络处于自发的持
续振荡状态[58]。在这种情况下，网络从本质上描述了相空间中的闭合周期轨迹，又被称
为极限环。当这个网络接收到较弱的输入电流时，它的轨迹就会受到扰动，但会保持在
这个周期的附近。在这种情况下，可以证明动力学可以通过“相位”这个变量进行近似，
这个变量也是这个周期的角度。弱输入电流在动力学方程中表现为一个小的扰动项。网
络的节点由相位振荡器生成（参见图 2-1），该网络称为相位振荡器网络。在同样的近
似下，考虑到相互作用延迟，一个节点对另一个节点的影响可以写成两个以 2 为周期
的耦合函数振荡器之间的相位差。由于这个函数很难为神经网络评估，本研究选择了它
最简单的形式，也就是正弦函数。得到的模型是经过充分研究的 Kuramoto 模型[59]，该
模型已用于模拟许多耦合振荡器系统的行为。

10

万方数据
 第2章 脑网络动力学模型介绍

图 2-1 三个为一组的相互连接的相位振荡器

Fig. 2-1 A set of three interconnected phase oscillators

Kuramoto 模型的使用依赖于模拟周期性的局部神经活动，其状态可以用变量“相
位”来描述[29]。假设大脑的每个区域都是一个振荡器，这些振荡器在伽马频率范围内活
动[6,60]。这是因为伽马波段局部场功率已被证明与 BOLD 信号耦合，并可以代表整个大
脑的局部神经元活动[28,54]。通过带有时间延迟的 Kuramoto 耦合振荡器模型来计算区域
之间的相互作用：
d n N
 0  k  Cnp sin( p (t   np )   n (t ))   n (t ), n  1, , N . （2-1）
dt p 1

其中， N 表示脑区数； 0 表示固有频率； Cnp 是从大脑区域 n 到大脑区域 p 的相对

耦合强度，并且是可缩放所有连接强度的耦合强度； np 是大脑区域 n 和 p 之间相互作用
的时间延迟；时间延迟与大脑区域 n 和 p 之间连接的纤维长度 L 成正比，即
 np  Lnp / V   Lnp / L 。连接和距离矩阵间的延迟在它们的结构中是固定的，所以需校
准的参数是控制全局耦合强度的耦合常数 k 和平均延迟  。  n t  表示局部网络所产生
的噪声，对应于均值为零的高斯白噪声。

2.3 动力学模型参数优化问题的描述

动力学模型参数优化问题是指在未知准确参数值，以及需考虑仿真数据接近于真实
数据的情况下，围绕已知的神经影像数据和生理学的真实数据范围，利用脑网络动力学
模型仿真建模，保证模拟数据准确的同时，兼顾预测更多合理的数据。由此可见，动力
学模型参数优化是一种需要考虑多项相关因素及限制条件下的约束条件的组合优化问
题。此类问题是指通过寻找一组离散变量，促使根据实例所建立的数学模型中的目标函
数达到全局最优，最终该组离散变量即为组合优化问题的解。动力学模型参数优化，简
而言之就是寻找一个最好的参数方案来模拟脑区间的神经活动，使得对应优化目标达到
最优，换句话说是与通过影像数据观察到的真实活动达到最大的相似。脑网络动力学模
型参数优化问题的困难之处在于寻找最优解殊为不易。当动力学模型需要优化的参数较

11

万方数据
 太原理工大学硕士学位论文

多时，可以选择的参数值方案结果数量庞大，甚至会出现“空间溢出”的情况。
本文在科学网（web of science）网站上对现有动力学模型在大脑上研究所使用的参
数优化方法进行了搜索，使用以下关键词进行查找：（“动力学模型”或“神经动力学”
或“全脑模型”或“脑动力学”或“计算模型”或“动力学系统”）和（“大脑”或“神
经网络”或“连接体”）和医学主题词“人类”，从 2000 年到 2022 年的参考文献都将
会被作为分析的选择之一。在排除不满足条件的研究文章后，将 4224 项研究的原始数
量筛选到 3107 项研究的最终数量。其中，文献主要可以分为三类算法（参见图 2-2）：
探索参数空间方法（3091 项）、贝叶斯估计方法（6 项）和最大期望算法（10 项）。由
此可以发现研究者们在解决该问题时，还是较多的选择了探索参数空间方法。但是通过
探索参数空间，也就是穷举法，遍历所有的参数值方案，从而可以寻找到最优解的分配
方案，而这需要庞大的运行时间与海量的存储空间，现阶段在常规计算机上难以实现。
所以动力学模型的参数优化问题便是当前在构建脑网络动力学模型中最需首要解决的
问题。

图 2-2 三种参数优化算法

Fig. 2-2 Three parameter optimization algorithms

2.4 本章小结

本章首先介绍了两种最为基础的动力学模型原理，并列举了一些广为流传的动力学
模型。其次，选择了最为经典且原理相对简单的相位耦合振荡器 Kuramoto 模型进行更
细致的介绍。最后，将脑网络动力学模型参数优化问题上升到计算机领域问题进行分析，
并根据文献调研发现目前研究者普遍使用探索参数空间方法，但需要高性能的计算机来
解决需要大量的运行时间和空间的难点，所以更深一步的研究脑网络动力学模型参数优
化问题变得愈加重要。

12

万方数据
 第3章 基于改进遗传算法的参数优化研究

第3章 基于改进遗传算法的参数优化研究

脑网络动力学模型中的参数较多且存在取值范围广、约束关系复杂、优化的目标函
数随机性高等问题，在使用探索参数空间方法进行求解时，需要大量运行时长与存储空
间，目前计算机可能无法实现。计算机领域解决优化问题最常用的方法是遗传算法，它
具有很强的适用性，但收敛速度慢，并容易陷入早熟或局部最优。针对上述问题，本章
对传统遗传算法进行改进，提出了自适应的遗传算法，并应用于四个权威的基准测试函
数来验证改进后遗传算法的性能。同时，本研究实现了一个脑网络动力学模型仿真工具
包，以便研究人员更加简单便捷地利用脑网络动力学模型进行研究。

3.1 参数优化算法的介绍

由动力学模型参数优化的性质和前人的研究可知，在较少参数时可以使用探索参数
空间，但较多参数时则无法达到满足，若使用启发式算法，则可以很好地解决脑网络动
力学模型的参数优化问题，从而使模拟值与真实值更加相接近。
自然界魅丽神奇，它在人类的意志之外创造了许多精美绝伦的运行机制。在大自然
的启发下，研究者们从大自然的运行规律中找到了诸多解决实际问题的方法。对于那些
受大自然的运行规律或者面向具体问题的经验和规则启发而产生的方法，常常被称之为
启发式算法。随着当今信息化时代的不断发展，信息数据量呈指数递增，限制因素也随
之增加，使用传统的方式已不能再满足于人工智能领域的发展，寻找高效地解决问题的
方法也成为众多研究团队关注的重点。上个世纪八十年代后，研究人员逐渐借助相关自
然科学，通过对自然现象的转化来寻找新的思路线索和方法，例如遗传算法、蚁群算法、
模拟退火算法、禁忌搜索算法等。这些方法通过逐步发展和持续优化，相继应用在人工
智能、大数据等多个领域。经过科研人员的不懈努力，这些算法转变为一些优化技术，
以此解决诸多优化问题。
鉴于由自然发现而产生的启发式算法并不依赖于问题领域，同时具有很强的适用性，
因此本文选用遗传算法来解决动力学模型参数的参数优化问题。对于动力学模型参数优
化问题，初始解的生成是基于生理学方面的约束条件，通过随机数来生成，目前仍无法
确保初始解的优劣。且将脑网络动力学模型进行个性化分析时，也不能用一个准确的初
始解来讨论此问题。而禁忌搜索算法和蚁群算法都对初始解的好坏十分敏感，初始解的
优劣程度可以直接影响最后的结果，相对而言遗传算法更适合解决此类问题。模拟退火
算法虽然可以接受劣解，有利于跳出局部最优点以此寻找全局最优点，但是遗传算法处
理的是一组解，而模拟退火算法只能处理单独一个解，缺少一定的容错率。当模型参数
较多时，组合结果也多，使用模拟退火算法可能耗时漫长也无法找到最优解。并且模拟
13

万方数据
 太原理工大学硕士学位论文

退火算法特别依赖于参数设置（初始温度 T 和最低温度 Tmin 的设置），针对问题的不同

这些参数的设置也不尽相同，但对于真实大脑来说这些参数的设置并没有一个合适的具
体标准区间。综上所述，本文决定采用遗传算法解决动力学模型参数优化问题。
但这又有新的问题出现，虽然遗传算法的基本思想简单易懂，易于实现，且可以在
并行的条件下进行搜索，但传统遗传算法的收敛速度较慢，容易陷入局部最优。因此，
本研究针对上述的脑网络动力学模型参数优化的问题和传统遗传算法存在的问题，对传
统遗传算法进行改进。

3.2 改进遗传算法研究

遗传算法（Genetic Algorithm, GA）于 20 世纪 70 年代被提出，其计算模型采用了

模拟达尔文生物进化理论中自然抉择和遗传机理的生物进化过程，也是一种通过模拟自
然进化过程来寻找最优解的方法[61]。其基本思想是将染色体个体作为问题的可能解，并
基于适者生存的生物学原理，通过选择、交叉和变异等常规遗传操作一代一代地产生更
优质的个体，并在多代之后得到相应问题的最优解[62]。
遗传算法中是有种群的选择、交叉与变异三个重要步骤组成。选择操作是对种群中
的个体进行初步评价，为遗传算法选择适应度强的个体，对适应性强的个体执行下一阶
段的操作，而适应性低的个体将会被淘汰，这是一个优胜劣汰的过程；交叉操作的目的
是为了让种群产生新的个体，并提升它们的适应性，其操作是任意选择至少两个个体，
针对其随机产生一个或多个交叉，并交换两个个体交叉点后的基因片段形成新的个体；
而变异操作的目的是为了维持种群的多样性，避免种群的“早熟”现象，这也是一种产
生新个体的方法。因此，本文对传统遗传算法的选择算子进行改进，并对交叉算子和变
异算子使用了自适应方式，以此解决相对应的问题。

3.2.1 传统的选择算子

选择算子可以将优秀的个体选中成为下一代的父代，再进行交叉、变异操作[63]。所
以说选择算子具有一定的导向性，可以使群体朝着预计的方向发展，也就是说选择算子
的好坏直接影响到下一代群体的质量[63]。之前大家普遍使用的选择算子是锦标赛选择方
式和轮盘赌选择方式。
（1）锦标赛选择算子
对于锦标赛选择方式，从若干个体中随机选择适应度最好的保留下来。虽然该方式
算法具有较小的复杂度，但容易陷入局部最优。该选择方式在选择个体时，随机从种群
中选取 n 个个体，并且选取这 n 个个体中适应值最好的，这个适应值最好的个体就是下
一代种群中的一个个体。重复此过程直到产生新的种群（参见图 3-1）。在锦标赛选择
算法中， n 值越大，相应算法的收敛速度越快，但会更差的全局收敛效果。

14

万方数据
 第3章 基于改进遗传算法的参数优化研究

图 3-1 锦标赛选择示意图

Fig. 3-1 Tournament selection diagram

（2）轮盘赌选择算子
对于轮盘赌选择方式，选择一个个体的概率与其适应度值直接成正比，换句话说，
适应度越大的个体越易被选中，但这也会出现选择偏差，导致“早熟”的情况。究其原
因，它是一种基于比例的选择，一种回放式的随机采样方法，可以称为选择的蒙特卡罗
法，利用各个个体适应度所占比例的大小决定其子孙保留的可能性[64]。因与赌盘操作原
理类似，因此被命名为轮盘赌选择法(参见图 3-2)。

图 3-2 轮盘示意图

Fig. 3-2 Roulette diagram

轮盘赌选择法首先计算种群中每个个体的相对适应值 eval vi  ，然后再计算每个个

体选择概率 Pi ：
eval vi 
Pi  popsize
（3-1）
 eval v 
i 1
i

再计算每条染色体累积概率：
i
qi   Pn （3-2）
n 1

其中， popsize 为种群的规模； eval vi  为种群中个体的适应值。选择时，先产生一

个 0,1 内的随机数 r 。如果 r  qi ，则选择第一个染色体；如果 qi 1  r  qi i  1 成立，则
选择第 i 条染色体。

15

万方数据
 太原理工大学硕士学位论文

（3）随机遍历抽样选择算子
之后有研究者对轮盘赌选择方式进行了改进，也就是现在所说的随机遍历抽样选择
方式。该方式与轮盘赌选择方式的不同是，使用了多个选择点，只需旋转一次转盘就可
以同时选择多个个体，这样可以避免选择偏差的存在，但计算工作量大，效率不高。随
机遍历抽样选择算子的具体思想为：
设定 n 为需要选择的个体数目（即种群规模），等距离选择个体选择指针的距离 l 为
Sum / n ，其 中 Sum 为种 群中所有个体 的适应度总和。第一 个指针 ptr1 的位置由在
0, Sum / n 区 间 产 生 的 随 机 数 决 定 。 n 个 个 体 由 相 隔 一 个 距 离 l 的 n 个 指 针
 ptr1 , ptr2 ,..., ptrn  进行选择(所选个体可重复出现)（参见图 3-3）。

图 3-3 随机遍历抽样示意图

Fig. 3-3 Random sample algorithm diagram

由此可见，随机遍历抽样算法很好地遵循了达尔文主义中适者生存原则，并且随机
遍历抽样算法提供了零偏差和最小个体扩展，因而比传统的轮盘赌选择法具有更好的性
能。

3.2.2 改进后的选择算子

为了解决上述的问题，本文提出一种改进的选择算子，其核心思想是采用随机遍历
抽样选择与锦标赛选择相结合的方式，在不同的进化阶段采用不同的选择方式，这样既
能防止陷入局部最优，又能保证算法的收敛性。具体操作过程如下：
（1）按照适应度的高低来对种群中的个体进行由大到小排序；
（2）如果
3
当前的进化迭代数 n   总进化迭代数 N （3-3）
4
则采用随机遍历抽样选择方式；否则采用锦标赛选择方式。
这里之所以选择 3/4 是经过测试所得，实验发现，若利用随机遍历抽样选择方式进
行迭代次数过多，则运行时间过长，失去了本身选择算子改进的意义；若利用锦标赛选
择方式进行迭代次数过多，则陷入局部最优的机率变大，也失去了改进的意义；若均采
用一半的迭代次数，也有很大程度会陷入局部最优。所以利用随机遍历抽样选择方式在
前 3/4 的迭代次数中进行选择，使种群个体集中到全局最优的范围内，再利用锦标赛选
择方式在剩下的迭代次数中进行选择，用快速收敛的方式选择到最优的个体，也就是最

16

万方数据
 第3章 基于改进遗传算法的参数优化研究

优参数。

3.2.3 自适应交叉和变异算子

传统的遗传算法需要对特定的优化问题进行设置，尽管这种算法需要许多实验论证，
但种群中优良解的多样性依旧增长缓慢。在算法初期，模式集中在适应度较低的个体上，
如果交叉率和变异率较小，产生种群中新个体的优秀率很低；在算法后期，模式朝高适
应度的个体集中，如果交叉率和变异率较大，优良模式极易出现瑕疵，导致算法陷入局
变异部收敛[65]。Srinvas 等人提出了自适应遗传算法[66]，将算法中的交叉率和变异率进
行线性自适应调整，从而较好地提高了 GA 的收敛速度[67]。根据该算法，交叉概率和变
异概率随适应度值的变化而自动变化[68,69]。其主要思想是，在种群进化的早期，交叉概
率和概率较大，当个体适应性达到局部最优时，会增加交叉和变异的概率；当群体适应
性分散时，会减少交叉和变异的概率。此外，适应性值高的群体具有较低的交叉概率和
变异概率，从而可以保护它们进入子代，而适应性值低的群体具有较高的交叉概率和变
异概率，从而逐渐进化或消除[70]。
当个体适应度值接近总体的最大适应度值时，交叉概率和变异概率将逐渐降低。当
适应度值等于最大适应度值时，两者都将为零[71]。这种方法适用于种群进化的后期，而
在早期，它会减少种群的狩猎区，并且比全局最优解更容易得到局部最优解。假设群体
中具有最大适应度值的个体的交叉概率和变异概率分别为 Pc 的最小值和 Pm 的最小值，
优化的交叉概率 Pc 和优化的变异概率 Pm 如下[72,73]：
Pc max  Pc min
Pc  Pc min  , f   f avg （3-4）
1  expA( f   f avg ) /  f max  f avg 

Pc  Pcmax , f   f avg （3-5）

Pm max  Pm min
Pm  Pm max  , f  f avg （3-6）
1  expA f  f avg  /  f max  f avg 

Pm  Pm max , f  f avg （3-7）

其中， A 是调节因子， f max 是人口中的最大适应度值； f avg 是每一代人口的平均适

应性值； f  是交叉操作的两个个体之间的较大适应度值； f 为变异操作中个体的适应性
值； Pc max 、 Pc min 、 Pm max 、以及 Pm min 的值可以根据具体问题进行更改。
通过交叉概率和变异概率的变化，可以让自适应遗传算法得到更好的精准性和收敛
率，同时可以降低迭代频率，保证算法的稳定性。

3.2.4 改进后的遗传算法

除上述的三个算子之外，遗传算法中首要解决的问题是初始化种群，这其中包含着

17

万方数据
 太原理工大学硕士学位论文

种群的编码表示，以及种群数量大小。接下来就是适应度值评估了。
初始化种群：初始化种群是指生成一组可能的解的集合，它通常是由经过编码的若
干个体所组成的。作为遗传算法中的第一步，编码在整个算法中起到至关重要的作用。
不同的编码方法直接影响其他步骤的效率，进而影响整个算法的效率。初始种群的数量
表示种群中所有个体的数量。个体数量较小虽加快了运算速度，但也导致早熟现象的出
现；个体数量较大不仅让运行效率降低，也会有较大可能将适应度高的个体淘汰，进而
直接影响最终结果。
适应度值评估：适应度函数可以表明个体的优劣性。它的定义方式因问题不同而有
所不同，种群中各个个体的适应度根据具体问题进行计算。每个被选中的个体都有一个
选择概率，这种概率取决于种群中个体的适应度及其分布。
综上所述，改进的遗传算法的流程图如图 3-4 所示。在传统遗传算法的基础上，改
进了选择算子，并加入了自适应遗传算法，这避免了陷入局部最优，从而提高了结果的
准确性。对于实时性要求较高、非线性和多目标问题、公式表达困难的这类问题来说，
使用自适应遗传算法将是提供了一个有利的问题解决工具。因此，改进的传统遗传算法
在求解优化问题时将会得到广泛的应用。

图 3-4 改进遗传算法的流程图

Fig. 3-4 Flowchart of improved genetic algorithm

18

万方数据
 第3章 基于改进遗传算法的参数优化研究

3.2.5 验证函数及计算效果对比

评价一个算法好坏，最常用方法是测试函数。为了对本文提出的改进遗传算法作出
评价，验证并证明改进遗传算法较传统遗传算法更具有一定的优越性，采用大家普遍使
用的四种基准测试函数（表 3-1）分别对传统遗传算法与改进遗传算法进行寻优计算，
将两者的计算结果进行比较，从而证明改进遗传算法的优越性能[62]。
表 3-1 测试函数

Table 3-1 Test function

函数表达式 取值范围

sin 10x 
f1  x    x  1
4
0.5,2.5
2x

f 2  x   x1  2 x2  0.3 cos3x1   0.4 cos4x2   0.7

2 2
 100,100

1  cos12 x1  x2 
2 2

f 3 x       5.12,5.12
2
2
0.5 x1  x2  2 
f 4 x    5
i 1
i cosi  1x1  i   5
i 1

i cosi  1x2  i   10,10

如图 3-5 为函数 f1  x  的三维图。在规定的范围内，函数 f1  x  有多个极小值点，但

函数只有一个最小值点在 0.55 左右，其对应最小函数值为-0.8690，对于其他异于最小
值点的函数值均比最小函数值大。

图 3-5 函数 f1 x  的三维图

Fig. 3-5 3D plot of function f1  x 

19

万方数据
 太原理工大学硕士学位论文

如图 3-6 为函数 f 2  x  的三维图。函数 f 2  x  只有在点 0，

0  处取得全局最小值，它所
对应的最小函数值为 0，因此很容易陷入局部极小值中。

图 3-6 函数 f 2 x  的三维图

Fig. 3-6 3D plot of function f 2 x 

如图 3-7 为函数 f 3  x  的三维图。函数 f 3  x  有无数个极小值点，但只有在点 0，

0 处
取得全局最小值为-1，同时该函数存在一圆脊，从任何角度抵达最优值都需经过，因此
很容易陷入此局部极小值中。

图 3-7 函数 f 3 x  的三维图

Fig. 3-7 3D plot of function f 3 x 

如图 3-8 为函数 f 4  x  的三维图。函数 f 4  x  为复杂函数，存在 760 个局部极小值，只

有在个别点处取得全局最小值为-186.731。

20

万方数据
 第3章 基于改进遗传算法的参数优化研究

图 3-8 函数 f 4 x  的三维图

Fig. 3-8 3D plot of function f 4  x 

传统算法与改进后的算法均能在随机条件下产生 50 个种群个体并持续进化 40 代，
函数 f1  x  经过搜索得到的平均值和最优值变化图如图 3-9 所示。图 3-9（a）为传统遗传
算法的进化过程，图 3-9（b）为改进后的遗传算法的进化过程。从函数 f1  x  的三维图
可以发现，函数在最优值附近仍具有小峰值，假如算法收敛性较差，便会停止在最优解
附近，容易收敛于局部最优值中。虽然传统遗传算法得到的最优值已接近于全局最优值，
但仍可看出该算法并非收敛函数的全局最优值，仅是在函数 f1  x  最优值附近小峰值的局
部最优值。同时该函数与改进后的算法最优值一致，且多次仿真均在进化到 14 代时趋
于稳定，说明改进后的遗传算法具有很好的全局收敛性且收敛速度较快，而且具有很好
的稳定性。

图 3-9 函数 f1 x  的各代平均值和最优值变化

Fig. 3-9 Variation of the mean and optimal value of the function f1 x  for each generation

传统算法与改进后的算法均随机产生 50 个种群个体并持续进化 40 代，函数 f 2  x  经

搜索得到的平均值和最优值变化图如图 3-10 所示。图 3-10（a）为传统遗传算法的进化

21

万方数据
 太原理工大学硕士学位论文

过程，图 3-10（b）为改进后的遗传算法的进化过程。从函数 f 2  x  的三维图可以看出，

该函数最优点位于点 0，
0  处。假如算法收敛性较差，则会在最优解附近停滞，且该函数
也可反映一定的收敛速度。

图 3-10 函数 f 2 x  的各代平均值和最优值变化

Fig. 3-10 Variation of the mean and optimal value of the function f 2  x  for each generation

传统算法与改进后的算法均能在随机条件下产生 50 个种群个体进化 40 代，函数

f 3  x  经搜索得到的平均值和最优值变化图如图 3-11 所示。图 3-11（a）为传统遗传算法
的进化过程，图 3-11（b）为改进后的遗传算法的进化过程。从函数 f 3  x  的三维图可以
看出，该函数有无数个极小值，且存在于最优点 0，
0  周围一圈，无论算法从任何方向进
行进化至最优值均会通过圆脊，若函数进化能力有限会很容易收敛至局部最值-0.78571
左右，而停止进化至全局最优值-1。从实验结果可以看出，传统遗传算法多次进化收敛
于局部最值，说明传统遗传算法存在早熟现象。而改进后的遗传算法在进化迭代次数大
于 29 次之后均收敛于全局最优值-1。

图 3-11 函数 f 3 x  的各代平均值和最优值变化

Fig. 3-11 Variation of the mean and optimal value of the function f 3  x  for each generation

传统算法与改进后的算法均随机产生 50 个种群个体并持续进化 40 代，函数 f 4  x  经

22

万方数据
 第3章 基于改进遗传算法的参数优化研究

搜索得到的平均值和最优值变化图如图 3-11 所示。图 3-12（a）为传统遗传算法的进化

过程，图 3-12（b）为改进后的遗传算法的进化过程。从函数 f 4  x  的三维图可以看出，
该函数包含无数个极小值并且每个最小值都是较高峰值，对于检测算法是否具有全局收
敛性具有很好的权威性，若算法的改进无法实现全局搜索，则个体在进化过程中极易陷
入局部最值。通过函数 f 4  x  的最佳个体适应度值随迭代代数的变化图可以看出，传统
遗传算法 40 次的迭代结果，寻找到的最优解并不收敛，结果停滞在不同的值，而改进
后的遗传算法 19 次的最终结果均收敛于函数的全局最优解值-186.731。上述结果显示传
统遗传算法存在早熟现象，使得复杂问题无法达成全局最优，而改进后的遗传算法则具
有很好的收敛性，不会陷入局部最优。

图 3-12 函数 f 4 x  的各代平均值和最优值变化

Fig. 3-12 Variation of the mean and optimal value of the function f 4  x  for each generation

以上 4 个权威的基准测试函数可以发现，在处理复杂问题时传统遗传算法仍有较大
局限性，而改进后的遗传算法均能精准迅速的找到全局最优值，避免了陷入局部最优的
问题，同时其能很好的处理求解复杂问题，这也说明改进遗传算法在算法性能方面有了
显著提升。

3.3 脑网络动力学模型工具包的开发

个性化的脑网络动力学模型的构建是一个较为复杂的过程，但是个性化的构建有助
于对不同的大脑需求提供更合适的方案。如果能建立起一个标准化的工具包，将相关的
动力学模型以及其物理参数作为后台数据，根据不同大脑的结构与功能连接，经过文中
改进的参数优化算法的运算，最终得到与真实大脑相类似的对应模型，这样将减少人工
运算时间，提高构建模型的效率，还可以弥补采集数据困难的问题。因此，本研究开发
了一个基于 Matlab 编程语言平台的脑网络动力学模型工具包。该工具包的整体架构图
如 下 图 3-13 所 示 。 同 时 ， 最 新 版 本 的 该 工 具 包 源 代 码 可 以 从 网 站
23

万方数据
 太原理工大学硕士学位论文

https://github.com/TYUTyanglan/Dynamic-BNM 免费下载。

图 3-13 工具包的整体架构图

Fig. 3-13 Overall architecture diagram of the toolkit

脑网络动力学模型工具包的搭建首先需要建立一个后台运行的数据库，用于存放本
（具有时延的耦合相位振荡器的 Kuramoto
工具包中将提供的两个不同原理的动力学模型
模型和受兴奋与抑制约束的 Reduced Wongwang 模型）的公式和相关的物理参数，三种
参数优化的算法（探索参数空间自动化、改进遗传算法和期望最大化算法），相关度量
指标的公式（经验与模拟功能连接的皮尔逊相关性、动态功能连接的 KS 距离、同步性
和亚稳态等），以及相应的底层调用代码，这些均存放于工具包中。
其次，脑网络动力学模型工具包最主要的目的是模拟计算大脑的神经动力学活动及
相关度量指标，供研究者进一步的研究使用，这其中又分为直接模拟与参数优化后模拟
两个功能。直接模拟功能为操作者在自定义参数值的情况下进行脑网络动力学模型的构
建及神经活动的模拟，这不仅可以模拟大量的实验数据，还可以模拟不同分辨率下的大
脑神经活动，乃至更进一步的研究参数变化对模型和模拟结果的影响。参数优化后模拟
功能为操作者在对模型或模型参数未知的情况下，系统根据真实数据自动化对动力学模
型进行参数优化，从而选出的最优参数用于构建相对应的脑网络动力学模型，最终利用
该模型模拟神经活动的变化。不论是不同分辨率的模拟，还是参数优化后的模拟，这都
本工具包的一大优势。
接下来，脑网络动力学模型工具包具有一个友好的操作界面（如图 3-14）。操作界
面因为要同用户进行直接交互，所以它的简洁性是重要的衡量指标。复杂的操作界面不
仅会让用户造成疲劳，同时模型构建及参数优化的过程中也会出现大量数据，容易导致
数据输入遗漏。因此，级联这一功能成为较好的解决方案，既能保证界面的简洁，也能
防止输入信息时出现遗漏或不必要的错误。

24

万方数据
 第3章 基于改进遗传算法的参数优化研究

图 3-14 工具包的主界面

Fig. 3-14 The main interface of the toolkit

脑网络动力学模型工具包最终输出是模拟出的 BOLD 信号与相关度量指标的值。一

般来讲，最终结果与中间结果均会被保存在相对应被试文件夹的子文件夹中。对于选择
不同的模型及模拟方式，都会被保存在不同的子文件夹下，这样避免了最终数据结果的
混乱或覆盖等情况，也方便用户后续的查询。

3.4 本章小结

考虑到传统遗传算法进行优化搜索时所具有的一些局限性，以及脑网络动力学模型
参数的特点，本章对传统遗传算法进行了改进，使其更适用于脑网络动力学模型。针对
遗传算法易限于局部最优，易早熟收敛的问题，本文改进了遗传算法的选择算子，将随
机遍历抽样选择方式与锦标赛选择方式相结合，还采用了自适应的交叉算子和变异算子。
并且使用四个权威的基准测试函数进行了算法改进前与改进后的比较，体现出改进的效
果和优越性。最后研发出一个脑网络动力学模型仿真工具包，该工具包不仅集成了两种
动力学模型，还集成了三种参数优化算法，为科研人员提供多种选择，以满足科研中不
同的需求，同时也为临床脑疾病的预防和治疗研究提供了有利工具。

25

万方数据
 太原理工大学硕士学位论文

26

万方数据
 第4章 脑网络动力学模型的构建、验证及应用

第4章 脑网络动力学模型的构建、验证及应用

论文第三章改进了传统遗传算法，并搭建了一个操作简单便捷的脑网络动力学模型
工具包，为了验证利用该算法所构建出的脑网络动力学模型的准确性和非随机性，本章
基于健康年轻被试构建相对应的个性化脑网络动力学模型。并通过零模型对比分析、真
实数据与模型所产生数据的相关性、时域和频域的相关性分析三个实验进行验证。最后，
通过经典文献的结论重现和动态指标的重测信度分析两个实验来证明脑网络动力学模
型的优势。

4.1 脑网络动力学模型的优势

直观地讲，基于脑网络动力学模型研究的潜在效用很大，其不仅受生物学机制的影
响，还与全脑神经影像数据紧密相关。由已有研究总结可知，从采集角度来看，经过脑
网络动力学模型仿真的结果可以解决一定程度上的采集数据困难的问题，例如脑疾病患
者数目较少、患者无法安静进行采集等情况；同时还可以模拟不同分辨率下的数据，可
对相关内容进行更加细致的研究；此外，模拟结果还可以避免采集过程中的噪声影响，
从而获得更贴近真实大脑的数据；更重要的是，根据真实数据集的改变，一些研究结论
不可再复现，但利用模型仿真出的结果可避免此类影响。从应用研究角度来看，由于脑
网络动力学模型可以反映大脑结构与功能之间的关系，所以更加能够体现大脑的生物物
理机制原理；考虑到伦理性问题，不可用人类大脑进行损伤或刺激研究，但研究者却可
以通过改变采集到的结构数据构建相对应的个性化脑网络动力学模型，从而对其进行更
深层次的研究；鉴于脑网络动力学模型可以通过大脑现有的状态预测出之后的状态，从
而为大脑老化的演化过程与疾病的预防和治疗提供了有利工具。

4.2 数据介绍

本研究中的影像数据来自 ConnectomeDB（https://db.humanconnectome.org）中的 45
个单独个体的数据样本，该数据库由人类连接组项目的华盛顿大学-明尼苏达大学
（WU-Minn）联盟管理（HCP:http://www.humanconnectome.org）。参与者由 WU-Minn HCP
联盟招募，并在实验前提供书面知情同意书[74]。在该数据样本中，由于 fMRI 数据的采
集过程中有些时间序列以及其时间点的缺失，丢弃了 3 名受试者。因此该实验所采用数
据样本的最终被试数为 42 人。
该数据样本中的所有磁共振成像数据都是通过在特殊定制的西门子 3T Skyra 扫描
仪的 32 通道磁头线圈上所获取的。获取的 T1 加权结构成像的扫描参数是：重复时间
27

万方数据
 太原理工大学硕士学位论文

（repetition time, TR）= 2400 毫秒，回波时间（echo time, TE）= 2.14 毫秒，翻转角= 8°，
视场角（field of view, FOV）= 224×224 平方毫米，320 个切片，体素大小= 0.7 毫米各
向同性。使用以下参数获取该样本中的 rs-fMRI 数据：TR = 720 毫秒，TE = 33.1 毫秒，
翻转角= 52°，FOV = 208×180 平方毫米，72 个切片，体素大小= 2 毫米各向同性。对
于所有 42 位被试，在睁开眼睛的情况下收集了四次 rs-fMRI 数据，每次运行时间约为
14 分钟（1200 个时间点）。扩散加权成像（diffusion-weighted imaging, DWI）的扫描参
数分别为：TR = 5520 毫秒，TE = 89.5 毫秒，翻转角= 78°，FOV = 210×180 平方毫米，
111 个切片，以及体素大小=1.25 毫米各向同性。数据收集的详细信息可以在官方找到[74]。
从 ConnectomeDB 下载的数据样本已经使用 HCP 的最小预处理管道进行了预处理
的[75]。该管道中包含的 fMRI 数据的预处理步骤是：校正梯度失真、运动校正、去除偏
置场、校正空间失真、转换到蒙特利尔神经病学研究所（Montreal Neurological Institute,
MNI）空间以及图像强度的归一化。DWI 数据的预处理步骤包括强度归一化和磁化率畸
变、涡流畸变、运动相关伪影和梯度非线性校正[28]。
白质纤维束是基于 DWI 数据利用 GQI(generalized q-sampling imaging)成像技术[76]
和确定性流线纤维束成像技术所构建的。这里使用 GQI 成像技术是可以使复杂的纤维构
造得到重建[28]。纤维束成像技术的详细介绍可以在相关文章中找到[77-79]。
HCP 最小预处理结构管道根据广泛使用的 Desikan-Killiany 图谱提供了基于高分辨
率 T1 加权图像的 68 个皮质分区的体积分区[80]。此外，HCP 数据中有两个体积空间：
主体未失真的原生空间和标准 MNI 空间[75]。这里，使用原生空间体积分割来处理基于
DWI 的纤维束成像，因为该空间是最近似于被试者的物理大脑。同时，在 fMRI 中使用
标准 MNI 空间体积分割提取 BOLD 时间序列，因为该空间适可用于多种学科的研究。

4.3 脑网络动力学模型的构建

4.3.1 模型构建约束

（1）静息结构类连接
将先进的白质束成像算法应用于弥散核磁共振成像可以无创地在全脑水平上检测
连接大脑区域的白质纤维束[81]，这为构建大尺度网络提供了有利的条件，其中节点代表
大脑区域，连接可以反映脑区间的解剖学连通性（参见图 4-1），而连接长度可以反映
脑区间的距离。已有研究发现，连接大脑区域的解剖白质纤维束在短时间尺度内保持相
对恒定[82]，当与大脑的自然发育和衰老或疾病相关时，在这种宏观尺度上发生的任何结
构变化通常都非常缓慢[83]。经过与 FC 中观察到的快速变化相比，研究者认为结构连通
性是静态的这一观点是可以接受的。

28

万方数据
 第4章 脑网络动力学模型的构建、验证及应用

图 4-1 结构连接示意图

Fig. 4-1 Structural connectivity diagram

其中，本实验的仿真分析还利用了针对上述介绍的 42 名健康青年被试数据集的组
级平均 SC 和距离矩阵。组级平均 SC 矩阵（如图 4-2 的左图）是针对矩阵中的每个元素，
如果该元素有少于 50%的被试有纤维密度值，则将其设置为零，否则将使用的这些被试
的纤维密度取平均值。根据组级平均距离矩阵（distance matrix, D）（如图 4-2 的右图）
是直接将 42 个矩阵中每个元素进行平均求得。

图 4-2 组级平均结构类矩阵

Fig. 4-2 Group-level average structural matrix

（2）功能连接
功能连接被定义为解剖分离的大脑区域的神经元活动模式的时间依赖性，通常用来
源于不同脑区的信号之间的协变来度量[84,85]。功能连接这一术语通常用于指整个大脑中
的功能连接图[86]。由于已经可以从静息状态中缓慢的 BOLD 信号波动（< 0.1 Hz）之间
的相关性检测到了有意义的大规模功能网络[87]，这也就说明静息态功能磁共振成像技术
已成为衡量全脑 FC 的主要技术。假设角度固定，通常会在整个记录时间内测量相关性，
从而形成一个时间不变的功能连接体，该连接体可以用数学术语表示为平均 FC 矩阵，
其中每个条目 FC(n，p)均指与大脑区域 n 和 p 中所有体素的平均信号之间的相关性（参
见图 4-3）。这种方法可以与在相同分割方案下定义的结构连接体直接比较[88]，并且还
可以与模拟 FC 矩阵进行比较，这对于优化和验证静息态模型特别有用[89,90]。

29

万方数据
 太原理工大学硕士学位论文

图 4-3 功能连接示意图

Fig. 4-3 Functional connectivity diagram

其中，本实验的仿真分析还利用了针对上述介绍的 42 名健康青年被试数据集的组
级平均 FC，SC 和距离矩阵。组级平均 FC 矩阵（如图 4-4）是将所采集到的 42 名被试
的时间序列通过计算每个脑区与其余脑区的平均时间序列之间的皮尔逊相关性得到
68×68 的 FC 矩阵，再将 42 个 FC 矩阵的每一个值进行平均求得。

图 4-4 组级平均 FC 矩阵

Fig. 4-4 Group-level average FC matrix

（3）动态功能连接矩阵
近年来，有研究表明功能连接体不是固定的，而是随着时间发展的[91,92]。通过考虑
FC 的时间维度，这为研究静息态活动带来了新的视角。在这个角度上，Calhoun 等人提
出了时间连接组学一词，这描述了功能连接体的时变特性，指的是功能连接模式随时间
而变化的一种大脑模型[93]。接着，不断扩展的想法是，FC 是由经过多个且反复发生离
散 FC 状态的多稳定过程而产生的，而不是在一定连续的意义上的变化[91,94]。虽然已经
提出了不同的方法学方法来分析时域的 FC[94]，并度量其统计学意义[95]，但探索 FC 动
力 学 变 化 的 最 佳 方 法 仍 有 待 确 定 。 现 存 在 的 一 些 评 估 动 态 功 能 连 接 （ Functional
connectivity dynamics, FCD）的方法仍是可用于分析全脑静息态模型。动态功能连接矩
阵是通过将以时间 tx 为中心的任何 FC tx  与以时间 ty 为中心的任何 FC ty  相关联来获得
（参见图 4-5）。

30

万方数据
 第4章 脑网络动力学模型的构建、验证及应用

图 4-5 动态功能连接矩阵示意图（参考[5]）

Fig. 4-5 Functional connectivity dynamics diagram (reference[5])

4.3.2 模拟 BOLD 信号和功能连接

为了将模拟的大脑神经活动与 BOLD 信号相关联，使用 Balloon-Windkessel 血流动

力学模型来起中间的连接作用[96]。对于神经与血流的耦合，可以基于这样的假设：其变
化基于 BOLD 信号的物理量是局部神经元群体的放电速率，这是也是与相模型相关的基
本量。在该模型中，节点 n 的放电速率 rn t  围绕固定值波动，这些波动由局部节点相位
的周期函数所给出。由于该函数还处于未知状态，便选用正弦函数代替，即
rn t   r0 sin  n t  。根据 Kuramoto 相位振荡器模型的定义，这些波动具有固定的振幅 r0 。
在仿真中，还应该考虑相对较小的振幅（ r0  1 ），以使 Balloon-Windkessel 血流动力学
模型是线性的，并且类似于线性滤波器。通过这样做，可以证明结果仅取决于模型生成
的神经活动，而不取决于 BOLD 模型的非线性。
值得注意的是，使用其他的生物物理或神经质量模型时，已模型本身已经考虑过许
多神经与血流的耦合[97]。但是，由于 Kuamoto 模型的简单性，其动力学由单个变量（基
本上是放电速率）描述，因此必须依赖于此变量。但也正如之后将要说明的那样，由于
节点之间 BOLD 相关性的起源依赖于它们的同步性，因此从速率导出的任何变量作为
BOLD 模型的输入都将得出基本相同的结论。
在 BOLD 信号与节点间活动足够同步，可以用下面定义的等式来分解神经活动，从
而也可以解释为什么 BOLD 信号可以与集群中的节点有关联。
 
ein t   Rceic t   eic t  ein t   Rc t  （4-1）

其中， n t    n t   c t  是集群中的节点的相对角度，然后取虚部来恢复 rn t  。集
群同步程度越高，第一项的绝对值更趋向于 1，第二项的绝对值更趋向于 0。因此，当
集群同步度足够高时，等式中的第一项对于所有集群的节点都是通用的，并且是群集的
固有特征，相对于第二项，其值增加了，并且同一群集中的不同节点的动力学也变得相
关。
为了将模型结果与经验结果可以进行比较，对 BOLD 时间序列进行了下采样，以实
现与真实数据相同的分辨率。最后，将每个节点所对应的 BOLD 时间序列中的全局信号

31

万方数据
 太原理工大学硕士学位论文

（所有区域的平均值）总结之后，通过计算相关矩阵获得了模拟的功能连接。
为了更加清楚流程，本文中使用的脑网络动力学模型构建流程通过图 4-6 中进行了
展示。

图 4-6 脑网络动力学模型构建流程

Fig. 4-6 Brain network dynamics model construction process

4.3.3 模型参数约束条件

全局耦合常数和平均延迟都是影响模型的重要参数，为了具有生理现实意义，本研
究根据真实值和之前研究总结出约束条件。整理得 4  k  15,6ms    12ms 。

4.3.4 模型参数评价标准

（1）功能连通性评价：主要为通过模拟得到的 FC 与来自 fMRI 的经验 FC 数据进

行比较。
在节点 BOLD 时间序列间使用皮尔逊相关（Pearson Correlation Coefficient）作为功
能连通性的度量，使每组模型参数可生成一个大小为“脑区数 N*脑区数 N”的相关矩
阵。然后，使用每个模拟 FC 矩阵的上三角部分与经验 FC 矩阵的上三角部分进行皮尔
逊相关性分析，再对得到的多个相关系数进行比较。经验功能连接矩阵 FCemp n  和
FC sim n 的皮尔逊相关系数可以表示为：

 FC n  FC FC n  FC 

N

emp emp sim sim

r n 1
（4-2）
 FC n  FC   FC n  FC 
N N
2 2
emp emp sim sim
n 1 n 1

其中，FCemp 和 FCsim 是经验 FC 和模拟 FC 的上三角部分的均值。皮尔逊相关系数 r

是一个从-1 到 1 的数值[98]。其系数的值越接近于 1，则代表 FCemp 和 FC sim 有着越高的相

32

万方数据
 第4章 脑网络动力学模型的构建、验证及应用

关度。
（2）动态指标评价：主要为通过模拟得到的同步性和亚稳态与来自 fMRI 的经验同
步性和亚稳态的值进行比较。
为了评估整个大脑的动态特性，使用 Kuramoto 序参量 R t  进行计算，其被定义为
1 N
R t   e   
i n t
（4-3）
N n 1

其中，N 是整个大脑被划分为区域集合的总数，例如度量全脑的动态特性时则为 1；
n t  是区域 n 平均 BOLD 时间序列的瞬时相位。研究人员将序参量 R t  的平均值视为
同步性指标，将 R t  的标准差视为亚稳态指标[99]。
对于静息态网络的动态特性，则利用 Kuramoto 序参量 R t  来度量每一个静息态网
络所组成的区域集合的同步性和亚稳态。
关于模拟数据，在 Kuramoto 模型中并没有表现出真正的亚稳态[45]，所以使用专业
术语中所讲的 R t  的标准差来指代亚稳态[6,100,101]。然后，将每个模型参数模拟所产生的
亚稳态和同步性与真实数据进行差值计算，再对多个差值进行比较。差值的绝对值越接
近 0 意味着两个变量的结果越相近。
（3）动态功能连接的 Kolmogorov-Smirnov 距离评价：主要为通过模拟得到的 FCD
与来自 fMRI 的经验 FCD 数据进行比较。
与功能连接的定义类似，时间分辨连接是使用锥形滑动时间窗估计的，而动态功能
连接是时间分辨连接本身的相关系数随时间的分布。针对每个模型参数，模拟构建相应
的相关分布，然后使用 Kolmogorov-Smirnov 距离测量建模数据与真实数据之间的相关
性分布。真实数据相应的相关分布 f  x  和模拟数据相应的相关分布 g  x  的 KS 值可以表
示为：
KS  max f ( x)  g ( x) （4-4）
其中， KS 值是一个从 0 到 1 的数值，值越接近于 0 意味着经验与模拟数据越相似。

4.3.5 基于传统遗传算法的模型参数优化

（1）传统遗传算法的基本参数设置：传统遗传算法需要提前设定四个基本参数，
分别为：种群规模大小 N  50 个个体；最大进化代数 T  100 ；交叉概率 Pc  0.4 ；变异
概率 Pm  0.1 。并采用了实数编码策略和等级排序的评价排序方法进行研究。
（2）选择操作：这里采用锦标赛选择算子和随机遍历抽样选择算子两种方法分别
进行计算，首先计算出各个个体的相关度，然后根据优秀个体有较大概率遗传到子代的
原则，为每个个体计算相应的选择概率，确定所选择的个体遗传到子代。多次循环，直
到选择好所有的优良个体。
（3）交叉操作：采用最优保存策略，即在交叉操作和变异操作之前将目前出现的

33

万方数据
 太原理工大学硕士学位论文

最优个体保存下来，减少其在之后的过程中遭到基因被修改的情况。之后在 0,1 之间针

对每个个体生成一个随机数 r ，并且对交叉概率 Pc 与个体间的 r 值进行大小比较，若
Pc  r ，则对该个体进行交叉操作。被选择进行交叉操作的个体数目必须为偶数，如果
不是，则随机删掉其中一个，然后将他们两两搭配形成交叉对，对每对交叉组合而言，
随机产生一个交叉位置，然后将他们的部分元素按照交叉位置进行相互交换，从而完成
交叉操作[102]。
（4）变异操作：在 0,1 之间针对每个不为 0 的元素随机生成一个数 m ，并将变异
概率 Pm 与数 m 进行大小比较，若 Pm  m ，则用随机数 m 代替相对应的元素，若 Pm  m ，
则该元素不会发生变异。

4.3.6 基于改进遗传算法的模型参数优化

（1）改进后的遗传算法的基本参数设置：改进后的遗传算法的四个基本参数被提
前设定为：种群规模大小 N  50 个个体；最大进化代数 T  100 ；最大交叉率 Pc_max  0.8 ，
最小交叉率 Pc_min  0.4 ；最大变异率 Pm_max  0.1 ，最小变异概率 Pm_min  0.01 。编码同传
统遗传算法一样，采用了实数编码策略和等级排序的评价排序方法进行研究。
（2）选择操作：这里采用随机遍历抽样选择算子与锦标赛选择算子相结合的方法，
首先在前四分之三的迭代次数中，根据随机遍历抽样算法计算出各个个体的相关度以及
其将会遗传到子代概率，即选择概率，确定所选择的个体遗传到子代。之后在剩余的四
分之一的迭代次数中，根据锦标赛选择算子再进行相应的计算，循环下去，直到选择好
所有的优良个体。具体细节请见第三章。
（3）交叉操作：这里采用自适应交叉策略，即交叉概率在迭代过程中会根据实际
结果进行自行修改。在进化初期，一般会选择相对较大的交叉概率，从而可以大范围进
行搜索，避免了陷入局部最优的情况；而在后期则需要缩小概率，精细搜索，可在一定
程度上加快收敛速度。具体细节请见第三章。
（4）变异操作：这里采用自适应变异策略，即变异概率会在进化过程中依照实际
结果进行自适应修改。变异概率的变化方式与交叉概率的一致，均为由大到小。具体细
节请见第三章。

4.3.7 基于探索参数空间的模型参数优化

探索参数空间是对一个或几个问题进行单独求解，并不具备统一处理、搜索和自适
应性等特点。因此，如果要获得较好的结果，必须将其他问题的分析、求解和评估工作
集中起来进行。例如，在选择了一个参数值后，还应当对该参数值下相关问题进行综合
平衡分析，以使整体效果达到最佳。由于这些工作都需要花费很多的计算资源与人力精
力，往往会造成巨额开销。因此，本文参考探索参数空间相关研究，针对脑网络动力学
模型参数优化的问题，对其探索参数空间方法实现了自动化的改进。

34

万方数据
 第4章 脑网络动力学模型的构建、验证及应用

使用 Kuramoto 动力学模型来模拟 BOLD 信号。为了获得最佳参数值，一定的步长

探索 1 到 25 之间耦合常数( k )和 4ms 到 15ms 之间的平均延迟（  ）的模拟信号，以
找到参数空间中的那个仿真建模模拟到的最优活动与真实数据的动力学活动非常相似
的参数点。为此，还使用三个评价指标，也就是亚稳态、平均功能连接和动态功能连接，
引入 Patricio 等人提出的全局相似度（global similarity, GS）分数[103]来自动寻找参数空
间中的最优点。 GS 分数被定义为：
GS Gi   1  EmpMet  Met Gi  Fit Gi 1  KSDist Gi 
2
（4-5）

其中， Met Gi  和 Fit Gi  表示给定 Gi 的亚稳态和拟合度分数（经验和模拟的平均功

能连接矩阵之间的相关度）， EmpMet 是真实数据的亚稳态。 KSDist 是经验和模拟 FCD
之间的 Kolmogorov-Smirnov 距离。从方程中可以看出，要想 GS 的值变得越大，则需要
（1）模拟信号和经验信号的亚稳态变得更加相似，（2）模拟信号和经验信号的拟合度
更加接近于 1，并且（3） KSDist 更加接近于 0。为了使在 FCD 中所发现的振荡特性占
更大的比重， GS 将二次依赖于 KSDist ，而它仅线性依赖于拟合度和亚稳态。
本研究利用 Kuramoto 模型模拟 BOLD 信号，以 1 为步长探索了耦合常数 k 从 1 到
25 之间，平均延迟  从 4ms 到 15ms 之间的模拟信号，以此来找到参数空间中的哪个
点处于最佳点，换句话说，在该点处所构建模型所模拟的神经活动与真实数据所呈现的
动力学非常相似。同时，还针对不同步长进行探索模拟进行了研究分析，这里还采用了
以 0.25 为步长的研究。由于经人为选择参数的探索参数空间与自动化后的探索参数空间
结果相一致，这里便都采用探索参数空间自动化的方法进行进一步的研究。

4.3.8 模型构建结果及分析

（1）被试级
选用了 42 名被试的 SC 和 FC 的每个感兴趣区域（region
在进行参数优化效果比较时，
of interest, ROI）的 BOLD 信号。图 4-7 显示了 42 名被试在传统遗传算法，改进遗传算
法，以及探索参数空间三种调优算法选出的最优参数下获得的模拟 FC 和经验 FC 之间
的皮尔逊相关度的值。由图 4-7 可知，选择算子为锦标赛算法的传统遗传算法所实现的
平均相关系数为 0.3539，选择算子为随机遍历抽样算法的传统遗传算法所实现的平均相
关系数为 0.3682，改进遗传算法所实现的平均相关系数为 0.4003，以 0.25 为步长的探索
参数空间所实现的平均相关系数为 0.3907，以 1 为步长的探索参数空间所实现的平均相
关系数为 0.3410。同时，经过之后的计算发现，探索参数空间自动化虽然减轻了人力消
耗，但是对参数跨度的大小却更加在意。若想结果更加精确，则需要更加小的步长来进
行探索，但是所耗费的时间却更长，这样就会给系统带来不必要的负担和压力，也使得
研究工作变得复杂而困难。这说明改进遗传算法可在一定程度上替代探索参数空间，从
而提高研究效率，简化研究人员的工作。

35

万方数据
 太原理工大学硕士学位论文

图 4-7 三种参数优化算法的参数优化后的 FC 相关性比较

Fig. 4-7 Comparison of FC correlations after parameter optimization of three algorithms

（2）组级
当利用以 0.5 为步长的探索参数空间算法优化参数时，使用的是组级平均功能连接、
结构连接矩阵和距离矩阵，这些矩阵均使用具有 68 个感兴趣区域的 Desikan-Killiany 皮
质分区。实验使用具有时延的耦合相位振荡器 Kuramoto 模型模拟了 68 个 ROI 的神经动
力学，其中模拟时长设置为 14.74 分钟，积分步长为 1e-3，TR 为 0.72 秒，频率为 40 Hz。
模拟和经验 FC 矩阵之间的一致性被定义为两个矩阵之间的皮尔逊相关性，并将其用作
模型拟合的评价指标之一。通过参数优化后所构建的模型在受 SC 约束后生成模拟的 FC
矩阵（如图 4-8 的左图）。在经过 10 次模拟之后，模拟与经验 FC 之间的平均相关性可
达到 0.5090（如图 4-8 的右图），其中 k  12.5,   12ms 。

图 4-8 经过探索参数空间方法对组级数据参数优化结果

Fig. 4-8 Parameter optimization results of group-level data by exploring parameter space

同时，该工具包依旧会为用户提供探索参数空间方法所模拟出的参数矩阵，方便用

36

万方数据
 第4章 脑网络动力学模型的构建、验证及应用

户进行更细致的数据分析与验证。图 4-9 的左上角的图为经验连接矩阵与利用 Kuramoto

模型对每个参数模拟后的连接矩阵之间的皮尔逊相关性，右上角的图为经验动态功能连
接与对每个参数模拟的动态功能连接之间的 KS 距离，左下角的图为利用 Kuramoto 模
型对每个参数模拟后的同步性的值，对应的亚稳态的值则在右下角的图中表示。图中黑
色圈出的部分，则为经过探索参数空间方法进行参数优化后所选出的最优参数。

图 4-9 探索参数空间的参数矩阵

Fig. 4-9 Parameter matrices for exploring parameter space

当使用改进遗传算法优化参数时，使用同上的组级平均 FC，SC，D 矩阵，以及相

同的输入参数和评价指标。通过参数优化后所构建的模型在受 SC 约束后生成模拟的 FC
矩阵（如图 4-10 的左图）。在经过 10 次模拟之后，模拟与经验 FC 之间的平均相关性
可达到 0.6171（如图 4-10 的右图），其中 k  14.48,   7ms 。

图 4-10 经过遗传算法对组级数据参数优化结果

Fig. 4-10 Parameter optimization results of group-level data by improved genetic algorithm

37

万方数据
 太原理工大学硕士学位论文

4.4 脑网络动力学模型的验证

针对已构建好的脑网络动力学模型，本文从三个角度进行模型的验证，以说明其构
建的准确性。这些实验均采用由所有被试构成的组级数据，所使用的参数为改进后的遗
传算法进行参数优化后得到的。

4.4.1 零模型

为了证明所模拟的脑网络动力学的非随机属性，本实验利用一个使用随机连接矩阵
所构建的空动力学模型来进行模拟比较[29]。然而，结构连接的边不能根据节点间的经验
距离而被重新连接，因为生成的网络将会违反欧几里得几何规则。因此，这里的零模型
使用节点的质心之间的欧几里得距离，而不是从纤维束成像中得到的节点间的经验距离。
具体采取了以下方式：
（1）计算 68 个节点的质心之间的欧氏距离，并生成一个欧式矩阵。
（2）为了验证欧氏距离在零模型中的应用，评估了经验距离与欧氏距离之间的相
关性。
（3）经验连接矩阵是随机重新分布，保留了权重和度分布。
（4）建立了一个部分欧式距离矩阵，该矩阵由全欧氏距离矩阵的项组成，这其中
全欧式矩阵为非零项的随机连接矩阵。
（5）随机连接矩阵（相应的部分欧氏距离矩阵）作为输入，然后用 Kuramoto 动力
学模型模拟，这里的参数选用真实数据参数优化所选。
（6）利用模拟的 BOLD 信号，构建了相应的模拟 FC 矩阵，并与真实数据做相关，
同时做出了同步性和亚稳态的度量。
步骤（3）~（6）重复 100 次，这里的初始条件均随机产生。模拟 60 秒，丢弃最初
前 10 秒。同时，使用同步性和亚稳态这两个动态度量指标来量化动力学，并与真实数
据的功能连接矩阵进行比较。使用非随机连接（这里使用所有被试所组成的组级平均结
构连接）模拟动力学时，相比于随机生成的零模型的分布则更显著。
由图 4-11 可知，随机连接所构建的模型（零模型）模拟出的 FC 矩阵与经验数值的
相关度大多在 0.04 到 0.06 的范围内，而非随机连接所构建的模型（脑网络动力学模型）
模拟出的 FC 矩阵与经验数值的相关度大多在 0.59 到 0.61 的范围内，这也代表着脑网络
动力学模型构建的真实性，以及其非随机性。同时，从非随机连接所构建的模型所模拟
结果可以看出，经过多次的模拟，结果也是相对稳定的，都将会集中在一个小的范围内
波动，这也可以印证模拟结果的准确性和稳定性。

38

万方数据
 第4章 脑网络动力学模型的构建、验证及应用

图 4-11 两种构建模型方法的经验与模拟 FC 相关度比较

Fig. 4-11 Comparison of empirical and simulated FC correlation between two modeling methods

同样地，由图 4-12 可知，随机连接所构建的模型（零模型）模拟出的同步性和亚

稳态的结果分布与经验数值的结果分布。其中，同步性以 0.01 为间隔进行数目统计，而
亚稳态以 0.0005 为间隔进行数目统计。

图 4-12 两种构建模型方法的同步性与亚稳态的比较

Fig. 4-12 Comparison of synchrony and metastability between two modeling methods

4.4.2 时域

为了证明所模拟的大脑神经活动随时间变化的整体特性与经验结果一致，本实验从
时域的角度，利用排列熵来反映时间序列的变化。排列熵可以用来度量具有动力学突变
的时间序列的随机性，且其不会受样本量的大小的影响[104]。其算法基本思想如下：
对一维时间序列 X t  进行相空间重构，取出 m 个连续的采集点，可得到一个延迟时
间为 l 的 m 维空间重构向量 X t , X t  1,..., X i  m  1  l  ，经过组合，可获得相对应的
时间序列 X t  的相空间矩阵 X 。然后对
X i  X t   j1  1 * l   X t   j2  1 * l   ...  X t   jm  1 * l  （4-6）

中的元素由小到大排列，可获得排列方式  j1 , j2 ,..., jm  。这为一种全排列 m!的情况，

然后分析此序列中可能出现的排列情况及其次数，并计算相应情况出现的频率 p 作为对

39

万方数据
 太原理工大学硕士学位论文

应概率，经过归一化后得到排列熵的值 H ：
 k 
H     pi  lg pi  lgm! （4-7）
 i 1 

由于样本熵的计算复杂度较低，且具有较大的计算量，这时嵌入维数 m 和时间延迟
l ，这两个参数值的设置就变得尤为重要。若 m 过大，经过相空间重构会出现时间序列
被平均的情况，且有着较大的时间复杂度而导致体现不出时间序列的微小变化。为了避
免这些情况，本研究最终选择 m  4, l  1 [105,106]。
接下来，根据模拟出的时间序列度量出相对应的排列熵并求得其平均，最后将平均
结果与经验结果进行皮尔逊相关性的计算，以从时域角度验证其准确性。
由图 4-13 可以看出，经过对组级数据进行 100 次模拟所求得的平均样本熵与真实
数据计算出的样本熵的相关度可以达到 0.5163（p < 0.0001），这说明通过结构连接约
束构建的脑网络动力学模型仿真出的时间序列与经验值具有相似性，在一定程度上可进
行替代。对于模拟结果的样本熵相对低于经验结果，可能是因为模拟数据没有噪声的干
扰，更能体现出数据原本的复杂度。

图 4-13 模拟样本熵的结果与经验结果的相关性

Fig. 4-13 Correlation of results from simulated sample entropy with empirical results

4.4.3 频域

一些情况下，不同信号间的时域参数相关并不能代表信号相类似，其还可能受频率、
相位等相关因素的影响，因此本文继续从频域的角度进行分析，利用频谱图来研究信号
的频率结构及频率与该频率信号幅度的关系。其具体做法如下：
将时间序列 X t  经过傅里叶变换的方法得到对应的频域函数 F w ：
F w   X t  e jwt dt （4-8）
得 到 的 频 域 函 数 F w 由 实 部 函 数 P w  和 虚 部 函 数 Q w 组 成 ， 可 以 表 示 为
F w  P w  j  Q w 。同时，也可以将上述表达式用极坐标形式表示：
F w  H w  e  j Q  w  （4-9）

40

万方数据
 第4章 脑网络动力学模型的构建、验证及应用

这里 H w 为相应频率的振幅，可以由 H w  P 2 w  Q 2 w 得出。

而频率 Fn 由采集的频率 Fs （也就是 TR）和采集时间点 N 决定，可表示为
Fn 
n  1  Fs （4-10）
N
根据模拟出的时间序列度量出相对应的振幅与频率并求得其平均，最后将平均结果
与经验结果进行皮尔逊相关性的计算，以从频域角度验证其准确性。
经过对组级数据进行 100 次模拟所求得的平均结果与真实数据计算出的结果在每个
脑区的相关度可以由图 4-14 可以看出，其平均水平可达到 0.42 左右。这也说明了从时
域角度来看，模型所仿真出的结果具有一定的准确性。

图 4-14 模拟结果与经验结果的相关性

Fig. 4-14 Correlation of simulated results with empirical results

4.5 脑网络动力学模型的应用

本研究通过两个应用诠释了利用模型仿真出的结果可以解决与研究相关的数据问
题，从而更加形象的体现出构建脑网络动力学模型研究的优势。

4.5.1 重测性分析

（1）真实数据问题
根据数据采集的研究，fMRI 的测量是动态的，可能会受到与个人当前状态相关的
影响。已有进一步的研究表明，重测性对扫描间隔很敏感，在较短间隔内进行的重复测
量比在较长间隔内进行的测量更可靠。同时，fMRI 数据收集过程中的各种噪声和伪影
都会污染数据，这样又会影响重测性。此外，场强的不同、时间分辨率的不同也都会影
响信噪比等方面，从而影响重测性。鉴于上述问题，采集到的真实数据存在着较大的不
确定性，且每次采集到的数据都存在有一定的误差，故将无法保证实验结果的稳定性以
及重现性。因此，本研究利用所构建的模型模拟真实数据进行研究，旨在说明通过构建
模型研究可以实现结果重现。
（2）重测信度指标
重测信度评价指标是在不同采集时间下度量同一个事物的统计稳定性，常用来衡量

41

万方数据
 太原理工大学硕士学位论文

该信度系数的指标是组内相关系数[107]（Intraclass correlation coefficient, ICC）。它不仅

综合考虑了个体内部和不同个体之间的变化，而且反映了指数随时间推移的稳定性和一
致性[108]。 ICC 值可根据以下公式计算得：
MS R  MS E
ICC  （4-11）
MS R  K  1MS E

其中， MS R 代表被试间均方， MS E 代表剩余均方， K 是每个被试被重复测量的次

数。
在本研究中，ICC 值通常分为五个常见区间： 0  ICC  0.25 表示差的重测性；
0.25  ICC  0.4 表示一般的重测性；0.4  ICC  0.6 表示中等的重测性；0.6  ICC  0.75
表示重测性良好； 0.75  ICC  1.0 表示重测性非常好，接近完美。在以往得实验中，研
究者们通常都期望有一个一般到几乎完美的重测性指数（ICC > 0.4）[109]。在这项研究
中，真实数据使用 42 个被试的两组数据来计算动态指标的重测性，每两条时间序列对
应的采集间隔时间为一天。模拟数据则使用多次模拟的结果进行相应计算。
（3）模型的重测信度
本文借助计算动态指标的 ICC 值来诠释模型仿真结果的重测性。由图 4-15 可以看
出，真实数据的重测性较低，虽然 ICC 值在 0.4 左右，但是仍达不到研究者们的预期结
果，这也有可能是受到时间间隔或者采集时噪声的影响。但是利用模型模拟出结果的重
测性则可达到接近于完美的水平，这不仅避免了时间间隔与采集噪声的干扰，还可以提
高了实验结果的准确性。因此，经本研究证明，通过构建脑网络动力学模型所仿真出的
结果具有重现性，从而保证了研究结果的稳定性。

图 4-15 真实数据与模拟数据的重测性比较

Fig. 4-15 Reliability comparison between real data and simulated data

4.5.2 文献结果再现

（1）真实数据问题
除上述数据采集的问题外，还存在数据采集较为困难的问题。一是有些患者的数量
较少，则其研究结果不具有可靠性；二是有些患者无法安静的躺在采集仪器中进行头部

42

万方数据
 第4章 脑网络动力学模型的构建、验证及应用

扫描，则会产生含有噪声或伪影的数据；三是有些患者不愿公开自己的数据信息，则相
应实验的结果将无法完全再现，影响结论的普适性。鉴于这些问题，本研究任意选取了
一个经典文献，利用所构建的个性化脑网络动力学模型的仿真结果进行再现，旨在说明
通过构建模型仿真的结果可以替代真实数据。
（2）所选文献介绍
Won Hee Lee & Sophia Frangou 证明了静息态网络（resting-state networks, RSNs）的
功能和动态特性之间是相关联的，并且 Kuramoto 模型为研究经验 RSN 的动态特性提供
了一个可行的选择[110]。该研究团队使用 30 名健康被试的静息态功能磁共振成像和弥散
张量成像（diffusion tensor imaging, DTI）数据，提取了 6 个 RSN：默认网络（default mode
network, DMN）、中央执行网络（central executive network, CEN）、突显网络（salience
network, SAL）、感觉运动网络（sensorimotor network, SMN）、视觉网络（visual network,
VN）和听觉网络（auditory network, AN）。
（3）本研究方法介绍
本研究效仿该文献方法，使用 42 名健康被试的静息态功能磁成像(rs-fMRI)和弥散
张量成像(DTI)数据，提取 6 个 RSN：默认模式网络（default mode network, DMN）、背
侧注意网络（dorsal attentional network, DAN）、显著性网络（salience network, SAN）、
听觉网络（auditory network, AUD）、视觉网络（visual network, VIS）和其他（other network,
other），如图 4-16 所示。同样地，对于每个经验 RSN，都计算了经验的和利用 Kuramoto
模型模拟的网络内和网络间的连通性、同步性和亚稳态这四个度量指标，并对其关系进
行了研究。换句话说，这也是对于每个 RSN 度量了真实数据和模拟数据的动态特性和
功能连通性之间的关系。这其中，每个 RSN 的网络内的连通性是通过分配给每个 RSN
的特定网络中的所有体素的时间序列 X t  之间的皮尔逊相关性来计算的，可表示为

 
 X   t   X   X ( k 1) t   X  k 1 
T
 
1  n n k k 
Within    i 1
 n （4-12）
2n  k 1 k 1 2 2

 X   t   X     X   t   X   
T T

 k k k 1 k 1 
 i 1 i 1 

其中，n 为单个 RSN 内所包含的节点数。 X k  t  和 X k 1 t  为所选某两个节点的时间

序列。 X k  和 X k 1 为所选那两个节点时间序列的均值。
每个 RSN 的网络间的连通性是先计算每个 RSN 内的平均时间序列，然后计算每个
网络与所有其他网络之间的皮尔逊相关性，可表示为

 X t   X X t   X m1 
T

(m) (m) ( m 1)

1 6
Between   i 1
1 （4-13）
5 m 1
 X t   X   X t   X ( m1) 
T T
2 2
(m) (m) ( m 1)
i 1 i 1

43

万方数据
 太原理工大学硕士学位论文

其中， m 为脑区中所划分 RSNs 的个数。 X m  t  和 X m 1 t  为所选某两个 RSN 的时

间序列。 X m  和 X m 1 为所选那两个节点时间序列的均值。

图 4-16 每个 RSN 的节点位于大脑皮层表面的位置

Fig. 4-16 The location of nodes of each RSN on the cortical surface

（4）结果分析
对于 Won Hee Lee 团队所得结果如图 4-17 所示，从模拟结果分析（参见图 4-17 B），
可以看出亚稳态与网络内连通性呈正相关，与网络间连通性呈负相关；从经验结果分析
（参见图 4-17 A），也具有相似趋势。

图 4-17 功能连接与动态网络特性之间的关系（参考[110]）

Fig. 4-17 Relationship between functional connectivity and dynamic network properties (reference[110])

本研究将每个 RSN 的功能连接和动态特性之间的关系在图 4-18 中展示，本结果同

Won Hee Lee 团队的一样，均发现亚稳态与网络内连通性呈正相关，与网络间连通性呈
负相关。其中，（a）为真实数据结果，（b）为模拟数据结果。

44

万方数据
 第4章 脑网络动力学模型的构建、验证及应用

图 4-18 功能连接与动态网络特性之间的关系

Fig. 4-18 Relationship between functional connectivity and dynamic network properties

45

万方数据
 太原理工大学硕士学位论文

由图 4-18 可以看出，经验与模拟的每个 RSN 结果的趋势基本是一致的，其中听觉

网络 AUD 的特殊可能是由于该网络只由两个脑区组成，数据的一点变动都会产生很大
的影响。综上所述，本文的结论与文献结论一致，也就是说，通过脑网络动力学模型仿
真出的 BOLD 信号将会产生类似于那些真实数据集的行为，从而可以扩宽研究思路。

4.6 本章小结

本章利用上一章改进的参数优化算法来构建 HCP 数据集中每个健康被试的个性化

大脑，并对其进行验证与应用。将改进的遗传算法作为动力学模型参数优化的方法，并
将其与传统遗传算法和不同间隔的探索参数空间自动化的参数优化结果进行比较，可发
现利用改进后的遗传算法所构建的脑网络与利用细小间隔的探索参数空间所构建的脑
网络均更接近于真实大脑网络，且两者的结果差距不大。也就是说，在一定程度上，本
文改进的遗传算法可以替代探索参数空间进行动力学模型参数优化。本章还利用零模型
验证了所构建模型的非随机性，以及从真实数据与模型生成数据的相关性、时域与频域
的角度验证了所构建模型的准确性，更进一步说明该方法可被用于脑科学的研究之中。
最后，本章基于已构建的模型进行了结果可重现与可替代真实数据的特点的应用，诠释
了所构建的脑网络动力学模型所产生的结果可以代替真实数据，避免真实数据采集过程
中可能存在的各种干扰，还能提高结果的重测性的优势。

46

万方数据
 第5章 总结与展望

第5章 总结与展望

5.1 总结

大脑是一个极其复杂的生物动力学系统，具有着丰富的包含大量动力学状态的自组
织行为，且越来越多的研究表明，静息态功能连接由潜在的解剖结构塑造。鉴于非侵入
性记录技术的发展，已有研究工作将大脑结构数据与神经生理信息相结合，创建数据驱
动的脑网络动力学模型。这些模型使用受生物学启发的数学方程模拟大脑动力学，并通
过观察到的大脑结构进行耦合。但是动力学模型的原理难以理解，建模过程复杂，且其
参数众多，传统的模型参数优化的方法在很多情况下已不足以推广适用。
本文对传统遗传算法进行了改进，利用基准测试函数验证了改进后遗传算法的性能。
同时借助改进的参数优化算法对健康年轻被试构建了个性化脑网络动力学模型，并对其
进行了验证与应用。最后，本文开发了使用简单、人机交互友好的脑网络动力学模型工
具包，它不仅集成了新改进的算法，还可以在未知模型原理与参数设置的情况下，通过
简单的输入相对快速地得到 BOLD 信号。
与已有研究相比，本研究的主要创新点如下：
（1）本研究改进了传统遗传算法。
本研究创新性地对传统遗传算法进行改进，提高了算法收敛速度，避免陷入局部最
优，使其更适用于脑网络动力学模型的参数优化。本研究将随机遍历抽样选择与锦标赛
选择方式相结合作为改进遗传算法的选择算子，并采用自适应的交叉算子和变异算子。
利用四个基准测试函数进行算法性能验证，证明了改进后遗传算法的优越性能。
（2）本研究优化了脑网络动力学建模过程。
本研究简化和缩短了脑网络动力学模型的参数设置和建模过程，使其可以简单、便
捷、高效地应用于相关领域的研究分析。经文献调研发现，目前研究人员普遍使用探索
参数空间方法进行脑网络动力学模型参数优化，需消耗大量的时间、空间和人力等。因
此，本文利用改进的参数优化算法对健康年轻被试进行个性化脑网络动力学模型的构建
与验证，证明了所构建的脑网络动力学模型的准确性和非随机性。并且将所构建的脑网
络动力学模型应用于动态指标的重测性研究与经典文献再现两个实验，揭示了脑网络动
力学模型的优势。最后，本文集成参数优化算法，开发了基于宏观角度研究的脑网络动
力学模型仿真可视化工具包，实现了仿真过程全自动化，模拟不同时间分辨率的数据等
功能。
综上所述，本研究不仅为科研人员进行脑科学研究提供了便捷，也有助于临床医护
人员对脑疾病进行预测与治疗。

47

万方数据
 太原理工大学硕士学位论文

5.2 展望

本研究为构建脑网络动力学模型分析和动力学模型的参数优化提供了新角度，但仍
有部分问题需要继续深入研究。在未来的研究中，会从以下几方面继续探索：
（1）更深入研究与改进遗传算法
目前本文改进的遗传算法在一些特殊情况下还是会出现过拟合或者陷入局部最优
的情况，可能是因为当前对传统遗传算法的改进只是在选择算子上，在交叉算子和变异
算子中采用自适应方法。但是在遗传算法中控制着算法性能的还有编码方式、种群的生
成方式等，此外在当前文章中的一些控制参数依靠经验设置相应的值，缺少了一定的理
论支撑，所以这也是之后需要继续改进的地方。
（2）对工具包的功能进行升级和完善
本工具包主打自动化的特点，目前只实现了仿真自动化，因此之后需继续对工具包
进一步升级。例如，将数据前期的预处理工作集成到工具包中；将仿真后的动态指标计
算、图论分析等相关指标度量集成到工具包中；这些功能有助于研究人员进行数据分析，
实现研究的一体化。目前该工具包中只有两种脑网络动力学模型，可以在之后增加更多
适用于不同机制场景的脑网络动力学模型，为研究人员提供更多的选择。
（3）深入推进模型在临床治疗上的应用
本研究发现脑网络动力学模型应用于正常被试的数据分析有着较好的结果，为临床
应用奠定了基础，但对于脑疾病的预测、诊断和治疗的具体应用仍需进一步探究。

48

万方数据
 参考文献

参考文献

[1] Pulvermuller F, Tomasello R, Henningsen-Schomers M R, et al. Biological constraints on neural

network models of cognitive function[J]. Nat Rev Neurosci, 2021,22(8):488-502.
DOI:10.1038/s41583-021-00473-5.
[2] Popovych O V, Manos T, Hoffstaedter F, et al. What Can Computational Models Contribute to
Neuroimaging Data Analytics?[J]. FRONTIERS IN SYSTEMS NEUROSCIENCE, 2019,12(68).
DOI:10.3389/fnsys.2018.00068.
[3] Arora. Introduction to optimum design[M]. Elsevier Academic Press, 2017.
[4] Stephan K E, Iglesias S, Heinzle J, et al. Translational Perspectives for Computational
Neuroimaging[J]. Neuron, 2015,87(4):716-732. DOI:10.1016/j.neuron.2015.07.008.
[5] Cabral J, Kringelbach M L, Deco G. Functional connectivity dynamically evolves on multiple
time-scales over a static structural connectome: Models and mechanisms[J]. NEUROIMAGE,
2017,160(SI):84-96. DOI:10.1016/j.neuroimage.2017.03.045.
[6] Cabral J, Hugues E, Sporns O, et al. Role of local network oscillations in resting-state functional
connectivity[J]. Neuroimage, 2011,57(1):130-139. DOI:10.1016/j.neuroimage.2011.04.010.
[7] Mediano P, Farah J C, Shanahan M. Integrated Information and Metastability in Systems of
Coupled Oscillators[J]. 2016. DOI:10.1063/5.0063384.
[8] Wildie M, Shanahan M. Metastability and chimera states in modular delay and pulse-coupled
oscillator networks[J]. Chaos, 2012,22(4):43131. DOI:10.1063/1.4766592.
[9] Deco G, Jirsa V K. Ongoing Cortical Activity at Rest: Criticality, Multistability, and Ghost
Attractors[J]. JOURNAL OF NEUROSCIENCE, 2012,32(10):3366-3375.
DOI:10.1523/JNEUROSCI.2523-11.2012.
[10] Messe A, Rudrauf D, Benali H, et al. Relating structure and function in the human brain: relative
contributions of anatomy, stationary dynamics, and non-stationarities[J]. PLoS Comput Biol,
2014,10(3):e1003530. DOI:10.1371/journal.pcbi.1003530.
[11] Messe A, Rudrauf D, Giron A, et al. Predicting functional connectivity from structural
connectivity via computational models using MRI: an extensive comparison study[J].
Neuroimage, 2015,111:65-75. DOI:10.1016/j.neuroimage.2015.02.001.
[12] Deco G, Cabral J, Woolrich M W, et al. Single or multiple frequency generators in on-going brain
activity: A mechanistic whole-brain model of empirical MEG data[J]. Neuroimage,
2017,152:538-550. DOI:10.1016/j.neuroimage.2017.03.023.
[13] Bansal K, Nakuci J, Muldoon S F. Personalized brain network models for assessing
structure-function relationships[J]. CURRENT OPINION IN NEUROBIOLOGY, 2018,52:42-47.
DOI:10.1016/j.conb.2018.04.014.
[14] Kringelbach M L, Cruzat J, Cabral J, et al. Dynamic coupling of whole-brain neuronal and
neurotransmitter systems[J]. PROCEEDINGS OF THE NATIONAL ACADEMY OF
SCIENCES OF THE UNITED STATES OF AMERICA, 2020,117(17):9566-9576.
DOI:10.1073/pnas.1921475117.
[15] Deco G, Jirsa V K. behavioral/systems/cognitive ongoing cortical activity at rest: criticality,
multistability, and ghost attractors[J]. 2017. DOI:10.1523/jneurosci.2523-11.2012.
[16] O'Neill G C, Tewarie P, Vidaurre D, et al. Dynamics of large-scale electrophysiological networks:

49

万方数据
 太原理工大学硕士学位论文

A technical review[J]. Neuroimage, 2018,180(Pt B):559-576.

DOI:10.1016/j.neuroimage.2017.10.003.
[17] Cabral J, Fernandes H M, Van Hartevelt T J, et al. Structural connectivity in schizophrenia and its
impact on the dynamics of spontaneous functional networks[J]. Chaos, 2013,23(4):46111.
DOI:10.1063/1.4851117.
[18] Courtiol J, Guye M, Bartolomei F, et al. Dynamical Mechanisms of Interictal Resting-State
Functional Connectivity in Epilepsy[J]. J Neurosci, 2020,40(29):5572-5588.
DOI:10.1523/JNEUROSCI.0905-19.2020.
[19] An S, Fousek J, Kiss Z, et al. High-resolution virtual brain modeling personalizes deep brain
stimulation for treatment-resistant depression: Spatiotemporal response characteristics following
stimulation of neural fiber pathways[J]. Neuroimage, 2022,249:118848.
DOI:10.1016/j.neuroimage.2021.118848.
[20] Manos T, Zeitler M, Tass P A. How stimulation frequency and intensity impact on the
long-lasting effects of coordinated reset stimulation[J]. PLoS Comput Biol, 2018,14(5):e1006113.
DOI:10.1371/journal.pcbi.1006113.
[21] Jirsa V K, Proix T, Perdikis D, et al. The Virtual Epileptic Patient: Individualized whole-brain
models of epilepsy spread[J]. Neuroimage, 2017,145(Pt B):377-388.
DOI:10.1016/j.neuroimage.2016.04.049.
[22] Proix T, Bartolomei F, Guye M, et al. Individual brain structure and modelling predict seizure
propagation[J]. Brain, 2017,140(3):641-654. DOI:10.1093/brain/awx004.
[23] Lee H, Golkowski D, Jordan D, et al. Relationship of critical dynamics, functional connectivity,
and states of consciousness in large-scale human brain networks[J]. Neuroimage,
2019,188:228-238. DOI:10.1016/j.neuroimage.2018.12.011.
[24] Naik S, Banerjee A, Bapi R S, et al. Metastability in Senescence[J]. Trends Cogn Sci,
2017,21(7):509-521. DOI:10.1016/j.tics.2017.04.007.
[25] Cocchi L, Gollo L L, Zalesky A, et al. Criticality in the brain: A synthesis of neurobiology,
models and cognition[J]. Prog Neurobiol, 2017,158:132-152.
DOI:10.1016/j.pneurobio.2017.07.002.
[26] Pulvermuller F, Tomasello R, Henningsen-Schomers M R, et al. Biological constraints on neural
network models of cognitive function[J]. Nat Rev Neurosci, 2021,22(8):488-502.
DOI:10.1038/s41583-021-00473-5.
[27] Lee W H, Bullmore E, Frangou S. Quantitative evaluation of simulated functional brain networks
in graph theoretical analysis[J]. Neuroimage, 2017,146:724-733.
DOI:10.1016/j.neuroimage.2016.08.050.
[28] Fukushima M, Sporns O. Comparison of fluctuations in global network topology of modeled and
empirical brain functional connectivity[J]. PLoS Comput Biol, 2018,14(9):e1006497.
DOI:10.1371/journal.pcbi.1006497.
[29] Vasa F, Shanahan M, Hellyer P J, et al. Effects of lesions on synchrony and metastability in
cortical networks[J]. NEUROIMAGE, 2015,118:456-467.
DOI:10.1016/j.neuroimage.2015.05.042.
[30] Deco G, Kringelbach M L. Turbulent-like Dynamics in the Human Brain[J]. Cell Rep,
2020,33(10):108471. DOI:10.1016/j.celrep.2020.108471.
[31] Kobeleva X, Lopez-Gonzalez A, Kringelbach M L, et al. Revealing the Relevant Spatiotemporal

50

万方数据
 参考文献

Scale Underlying Whole-Brain Dynamics[J]. Front Neurosci, 2021,15:715861.

DOI:10.3389/fnins.2021.715861.
[32] Wang P, Kong R, Kong X, et al. Inversion of a large-scale circuit model reveals a cortical
hierarchy in the dynamic resting human brain[J]. Sci Adv, 2019,5(1):t7854.
DOI:10.1126/sciadv.aat7854.
[33] Hines, Michael L. The NEURON book [M]. The NEURON book , 2006.
[34] Goodman D F, Brette R. The brian simulator[J]. Front Neurosci, 2009,3(2):192-197.
DOI:10.3389/neuro.01.026.2009.
[35] Eppler J M, Helias M, Muller E, et al. PyNEST: A Convenient Interface to the NEST
Simulator[J]. Front Neuroinform, 2008,2:12. DOI:10.3389/neuro.11.012.2008.
[36] Davison A P, Bruderle D, Eppler J, et al. PyNN: A Common Interface for Neuronal Network
Simulators[J]. Front Neuroinform, 2008,2:11. DOI:10.3389/neuro.11.011.2008.
[37] Sanz L P, Knock S A, Woodman M M, et al. The Virtual Brain: a simulator of primate brain
network dynamics[J]. Front Neuroinform, 2013,7:10. DOI:10.3389/fninf.2013.00010.
[38] Ritter P, Schirner M, McIntosh A R, et al. The virtual brain integrates computational modeling
and multimodal neuroimaging[J]. Brain Connect, 2013,3(2):121-145.
DOI:10.1089/brain.2012.0120.
[39] Falcon M I, Riley J D, Jirsa V, et al. Functional Mechanisms of Recovery after Chronic Stroke:
Modeling with the Virtual Brain[J]. eNeuro, 2016,3(2). DOI:10.1523/ENEURO.0158-15.2016.
[40] Kunze T, Hunold A, Haueisen J, et al. Transcranial direct current stimulation changes resting
state functional connectivity: A large-scale brain network modeling study[J]. Neuroimage,
2016,140:174-187. DOI:10.1016/j.neuroimage.2016.02.015.
[41] Spiegler A, Hansen E C, Bernard C, et al. Selective Activation of Resting-State Networks
following Focal Stimulation in a Connectome-Based Network Model of the Human Brain[J].
eNeuro, 2016,3(5). DOI:10.1523/ENEURO.0068-16.2016.
[42] Schirner M, Mclntosh A R, Jirsa V, et al. Inferring multi-scale neural mechanisms with brain
network modelling[J]. ELIFE, 2018,7(e28927). DOI:10.7554/eLife.28927.
[43] Xu Y, Zhang C H, Niebur E, et al. Analytically determining frequency and amplitude of
spontaneous alpha oscillation in Jansen's neural mass model using the describing function
method[J]. Chin Phys B, 2018,27(4). DOI:10.1088/1674-1056/27/4/048701.
[44] Diaz M, Trejo E, Martin D A, et al. Similar local neuronal dynamics may lead to different
collective behavior[J]. Phys Rev E, 2021,104(6-1):64309.DOI:10.1103/PhysRevE.104.064309.
[45] Breakspear M, Heitmann S, Daffertshofer A. Generative models of cortical oscillations:
neurobiological implications of the kuramoto model[J]. Front Hum Neurosci, 2010,4:190.
DOI:10.3389/fnhum.2010.00190.
[46] Misic B, Betzel R F, Nematzadeh A, et al. Cooperative and Competitive Spreading Dynamics on
the Human Connectome[J]. Neuron, 2015,86(6):1518-1529. DOI:10.1016/j.neuron.2015.05.035.
[47] Abdelnour F, Voss H U, Raj A. Network diffusion accurately models the relationship between
structural and functional brain connectivity networks[J]. Neuroimage, 2014,90:335-347.
DOI:10.1016/j.neuroimage.2013.12.039.
[48] Meier J, Zhou X, Hillebrand A, et al. The epidemic spreading model and the direction of
information flow in brain networks[J]. Neuroimage, 2017,152:639-646.
DOI:10.1016/j.neuroimage.2017.02.007.

51

万方数据
 太原理工大学硕士学位论文

[49] Stam C J, van Straaten E C, Van Dellen E, et al. The relation between structural and functional
connectivity patterns in complex brain networks[J]. Int J Psychophysiol, 2016,103:149-160.
DOI:10.1016/j.ijpsycho.2015.02.011.
[50] Verma P, Nagarajan S, Raj A. Spectral graph theory of brain oscillations--Revisited and
improved[J]. Neuroimage, 2022,249:118919. DOI:10.1016/j.neuroimage.2022.118919.
[51] Huang J, Chen C. Metapopulation epidemic models with a universal mobility pattern on
interconnected networks[J]. Physica A, 2022,591:126692. DOI:10.1016/j.physa.2021.126692.
[52] Zuo C, Zhu F, Ling Y. Analyzing COVID-19 Vaccination Behavior Using an SEIRM/V Epidemic
Model With Awareness Decay[J]. Front Public Health, 2022,10:817749.
DOI:10.3389/fpubh.2022.817749.
[53] Millan A P, van Straaten E, Stam C J, et al. Epidemic models characterize seizure propagation
and the effects of epilepsy surgery in individualized brain networks based on MEG and invasive
EEG recordings[J]. Sci Rep, 2022,12(1):4086. DOI:10.1038/s41598-022-07730-2.
[54] Scholvinck M L, Maier A, Ye F Q, et al. Neural basis of global resting-state fMRI activity[J].
Proc Natl Acad Sci U S A, 2010,107(22):10238-10243. DOI:10.1073/pnas.0913110107.
[55] Li X, Li Z, Yang W, et al. Bidirectionally Regulating Gamma Oscillations in Wilson-Cowan
Model by Self-Feedback Loops: A Computational Study[J]. Front Syst Neurosci, 2022,16:723237.
DOI:10.3389/fnsys.2022.723237.
[56] Brunel N, Wang X J. What determines the frequency of fast network oscillations with irregular
neural discharges? I. Synaptic dynamics and excitation-inhibition balance[J]. J Neurophysiol,
2003,90(1):415-430. DOI:10.1152/jn.01095.2002.
[57] Borgers C, Kopell N. Synchronization in networks of excitatory and inhibitory neurons with
sparse, random connectivity[J]. Neural Comput, 2003,15(3):509-538.
DOI:10.1162/089976603321192059.
[58] Deco G, Jirsa V, McIntosh A R, et al. Key role of coupling, delay, and noise in resting brain
fluctuations[J]. Proc Natl Acad Sci U S A, 2009,106(25):10302-10307.
DOI:10.1073/pnas.0901831106.
[59] Kuramoto. Chemical oscillations, waves, and turbulence[M]. Springer-Verlag, 1984.
[60] Cabral J, Kringelbach M L, Deco G. Functional graph alterations in schizophrenia: a result from
a global anatomic decoupling?[J]. Pharmacopsychiatry, 2012,45 Suppl 1:S57-S64.
DOI:10.1055/s-0032-1309001.
[61] 朱 长 江 , 柴 秀 丽 . 基 于 改 进 遗 传 算 法 的 模 糊 聚 类 研 究 及 应 用 [J]. 科 学 技 术 与 工 程 ,
2013,13(10):2863-2866.
[62] 叶翠丽, 王娜, 庞硕, 等. 基于改进遗传算法的秸秆还田机刀片功耗优化[J]. 东北大学学报
(自然科学版), 2021,42(09):1290-1298.
[63] 陈有青, 徐蔡星, 钟文亮, 等. 一种改进选择算子的遗传算法[J]. 计算机工程与应用,
2008(02):44-49.
[64] 李晨, 宁红云. 改进的遗传算法选择算子[J]. 天津理工大学学报, 2008,24(06):1-4.
[65] 邝 航 宇 , 金 晶 , 苏 勇 . 自 适 应 遗 传 算 法 交 叉 变 异 算 子 的 改 进 [J]. 计 算 机 工 程 与 应 用 ,
2006(12):93-96.
[66] M. S, L. M P. Adaptive probabilities of crossover and mutation in genetic algorithms[J]. IEEE
Transactions on Systems, Man, and Cybernetics, 1994,24(4):656-667. DOI:10.1109/21.286385.
[67] Dideková Z, Kozák Š F N, Kajan S, et al. Intelligent Hybrid Control Based on Adaptive

52

万方数据
 参考文献

Switching[J]. IFAC-PapersOnLine, 2017. DOI:10.1016/j.ifacol.2017.08.2107.

[68] Ma C, He R. Green wave traffic control system optimization based on adaptive genetic-artificial
fish swarm algorithm[J]. Neural Computing and Applications, 2019,31(7):2073-2083.
DOI:10.1007/s00521-015-1931-y.
[69] Deb K. An efficient constraint handling method for genetic algorithms[J]. Computer methods in
applied mechanics and engineering, 2000,186(2):311-338.DOI:10.1016/S0045-7825(99)00389-8.
[70] 王萍萍, 王翰虎. 一种支持向量机参数优化的 GA—Powell 算法[J]. 计算机技术与发展,
2013,23(2):4.
[71] 杨晶. 基于遗传算法优化的多路径匹配追踪的 MR 图像去噪算法研究[D]. 陕西师范大学,
2019.
[72] Dong Y, Tang J, Xu B, et al. An application of swarm optimization to nonlinear programming[J].
COMPUTERS AND MATHEMATICS WITH APPLICATIONS, 2005.
DOI:10.1016/j.camwa.2005.02.006.
[73] Ma C, He R. Green wave traffic control system optimization based on adaptive genetic-artificial
fish swarm algorithm[J]. NEURAL COMPUTING & APPLICATIONS, 2019,31(7):2073-2083.
DOI:10.1007/s00521-015-1931-y.
[74] Van Essen D C, Smith S M, Barch D M, et al. The WU-Minn Human Connectome Project: an
overview[J]. Neuroimage, 2013,80:62-79. DOI:10.1016/j.neuroimage.2013.05.041.
[75] Glasser M F, Sotiropoulos S N, Wilson J A, et al. The minimal preprocessing pipelines for the
Human Connectome Project[J]. Neuroimage, 2013,80:105-124.
DOI:10.1016/j.neuroimage.2013.04.127.
[76] Yeh F C, Wedeen V J, Tseng W Y. Generalized q-sampling imaging[J]. IEEE Trans Med Imaging,
2010,29(9):1626-1635. DOI:10.1109/TMI.2010.2045126.
[77] de Reus M A, van den Heuvel M P. Simulated rich club lesioning in brain networks: a scaffold
for communication and integration?[J]. Front Hum Neurosci, 2014,8:647.
DOI:10.3389/fnhum.2014.00647.
[78] van den Heuvel M P, Scholtens L H, Feldman B L, et al. Bridging Cytoarchitectonics and
Connectomics in Human Cerebral Cortex[J]. J Neurosci, 2015,35(41):13943-13948.
DOI:10.1523/JNEUROSCI.2630-15.2015.
[79] van den Heuvel M P, Scholtens L H, de Reus M A, et al. Associated Microscale Spine Density
and Macroscale Connectivity Disruptions in Schizophrenia[J]. Biol Psychiatry,
2016,80(4):293-301. DOI:10.1016/j.biopsych.2015.10.005.
[80] Desikan R S, Segonne F, Fischl B, et al. An automated labeling system for subdividing the human
cerebral cortex on MRI scans into gyral based regions of interest[J]. Neuroimage,
2006,31(3):968-980. DOI:10.1016/j.neuroimage.2006.01.021.
[81] Zhang F, Daducci A, He Y, et al. Quantitative mapping of the brain's structural connectivity using
diffusion MRI tractography: A review[J]. Neuroimage, 2022,249:118870.
DOI:10.1016/j.neuroimage.2021.118870.
[82] Saggar M, Sporns O, Gonzalez-Castillo J, et al. Towards a new approach to reveal dynamical
organization of the brain using topological data analysis[J]. Nat Commun, 2018,9(1):1399.
DOI:10.1038/s41467-018-03664-4.
[83] Chen Q, Baran T M, Turnbull A, et al. Increased segregation of structural brain networks
underpins enhanced broad cognitive abilities of cognitive training[J]. Hum Brain Mapp,

53

万方数据
 太原理工大学硕士学位论文

2021,42(10):3202-3215. DOI:10.1002/hbm.25428.
[84] 何兵. AD 中脑网络功能连接性与基因组关联研究[D]. 哈尔滨工程大学, 2019.
[85] van den Heuvel M P, Hulshoff P H. Exploring the brain network: a review on resting-state fMRI
functional connectivity[J]. Eur Neuropsychopharmacol, 2010,20(8):519-534.
DOI:10.1016/j.euroneuro.2010.03.008.
[86] Biswal B B, Mennes M, Zuo X N, et al. Toward discovery science of human brain function[J].
Proc Natl Acad Sci U S A, 2010,107(10):4734-4739. DOI:10.1073/pnas.0911855107.
[87] Jalilianhasanpour R, Ryan D, Agarwal S, et al. Dynamic Brain Connectivity in Resting State
Functional MR Imaging[J]. Neuroimaging Clin N Am, 2021,31(1):81-92.
DOI:10.1016/j.nic.2020.09.004.
[88] van den Heuvel M P, Mandl R C, Kahn R S, et al. Functionally linked resting-state networks
reflect the underlying structural connectivity architecture of the human brain[J]. Hum Brain
Mapp, 2009,30(10):3127-3141. DOI:10.1002/hbm.20737.
[89] Ponce-Alvarez A, Deco G, Hagmann P, et al. Resting-state temporal synchronization networks
emerge from connectivity topology and heterogeneity[J]. PLoS Comput Biol,
2015,11(2):e1004100. DOI:10.1371/journal.pcbi.1004100.
[90] Honey C J, Sporns O, Cammoun L, et al. Predicting human resting-state functional connectivity
from structural connectivity[J]. Proc Natl Acad Sci U S A, 2009,106(6):2035-2040.
DOI:10.1073/pnas.0811168106.
[91] Hansen E C, Battaglia D, Spiegler A, et al. Functional connectivity dynamics: modeling the
switching behavior of the resting state[J]. Neuroimage, 2015,105:525-535.
DOI:10.1016/j.neuroimage.2014.11.001.
[92] Zalesky A, Fornito A, Cocchi L, et al. Time-resolved resting-state brain networks[J]. Proc Natl
Acad Sci U S A, 2014,111(28):10341-10346. DOI:10.1073/pnas.1400181111.
[93] Calhoun V D, Miller R, Pearlson G, et al. The chronnectome: time-varying connectivity networks
as the next frontier in fMRI data discovery[J]. Neuron, 2014,84(2):262-274.
DOI:10.1016/j.neuron.2014.10.015.
[94] Preti M G, Bolton T A, Van De Ville D. The dynamic functional connectome: State-of-the-art and
perspectives[J]. Neuroimage, 2017,160:41-54.DOI:10.1016/j.neuroimage.2016.12.061.
[95] Zalesky A, Breakspear M. Towards a statistical test for functional connectivity dynamics[J].
Neuroimage, 2015,114:466-470. DOI:10.1016/j.neuroimage.2015.03.047.
[96] Friston K J, Harrison L, Penny W. Dynamic causal modelling[J]. Neuroimage,
2003,19(4):1273-1302. DOI:10.1016/s1053-8119(03)00202-7.
[97] Friston K J, Li B, Daunizeau J, et al. Network discovery with DCM[J]. Neuroimage,
2011,56(3):1202-1221. DOI:10.1016/j.neuroimage.2010.12.039.
[98] 丁聪丽. 基于时变多层网络的 ADHD 患者大脑社区重构的研究[D]. 太原理工大学, 2021.
[99] Hellyer P J, Scott G, Shanahan M, et al. Cognitive Flexibility through Metastable Neural
Dynamics Is Disrupted by Damage to the Structural Connectome[J]. J Neurosci,
2015,35(24):9050-9063. DOI:10.1523/JNEUROSCI.4648-14.2015.
[100] Shanahan M. Metastable chimera states in community-structured oscillator networks[J]. Chaos,
2010,20(1):13108. DOI:10.1063/1.3305451.
[101] Deco G, Kringelbach M L. Metastability and Coherence: Extending the Communication through
Coherence Hypothesis Using A Whole-Brain Computational Perspective[J]. Trends Neurosci,

54

万方数据
 参考文献

2016,39(3):125-135. DOI:10.1016/j.tins.2016.01.001.
[102] 李延勋. HMM-NRBF 混合模型的混沌序列建模与应用[D]. 汕头大学, 2008.
[103] Donnelly-Kehoe P, Saenger V M, Lisofsky N, et al. Reliable local dynamics in the brain across
sessions are revealed by whole-brain modeling of resting state activity[J]. Hum Brain Mapp,
2019,40(10):2967-2980. DOI:10.1002/hbm.24572.
[104] 孙婕. 基于排列熵的老化及阿尔茨海默症患者大脑复杂度研究[D]. 太原理工大学, 2021.
[105] Bandt C, Pompe B. Permutation Entropy: A Natural Complexity Measure for Time Series[J].
Physical Review Letters, 2002,88(17):174102. DOI:10.1103/PhysRevLett.88.174102.
[106] Li J, Yan J, Liu X, et al. Using Permutation Entropy to Measure the Changes in EEG Signals
During Absence Seizures[J]. ENTROPY, 2014,16(6):3049-3061. DOI:10.3390/e16063049.
[107] Williams J B, Gibbon M, First M B, et al. The Structured Clinical Interview for DSM-III-R
(SCID). II. Multisite test-retest reliability[J]. Arch Gen Psychiatry, 1992,49(8):630-636.
DOI:10.1001/archpsyc.1992.01820080038006.
[108] Rongsawad K, Worawan L, Jirarojprapa K, et al. 72 Test-Retest Reliability and Minimal
Detectable Change for Postural Sway by using Sway Meter in Elderly Subjects[J]. Age and
Ageing, 2019,48(Supplement_4):v18-v27. DOI:10.1093/ageing/afz164.72.
[109] 谭媛. 精细复合多尺度排列模糊熵在静息态 fMRI 信号中的应用[D]. 太原理工大学, 2021.
[110] Lee W H, Frangou S. Linking functional connectivity and dynamic properties of resting-state
networks[J]. Sci Rep, 2017,7(1):16610. DOI:10.1038/s41598-017-16789-1.

55

万方数据
 太原理工大学硕士学位论文

56

万方数据
 附 录A

附 录A

Desikan-Killiany 图谱中各 ROI 名称与静息态网络的映射关系

Mapping between ROI names and resting-state networks in Desikan-Killiany template

ROI 命名 中文名称 RSN ROI 命名 中文名称 RSN

颞上回后 颞上回后
1 bankssts L other 35 bankssts R other
部 部
caudalanteriorcingulate 前扣带回 caudalanteriorcingulate 前扣带回
2 DAN 36 DMN
L 上部 R 上部
额中回上 额中回上
3 caudalmiddlefrontal L SAN 37 caudalmiddlefrontal R SAN
部 部
4 cuneus L 楔叶 VIS 38 cuneus R 楔叶 VIS
5 entorhinal L 嗅皮质 other 39 entorhinal R 嗅皮质 other
6 fusiform L 梭状回 VIS 40 fusiform R 梭状回 VIS
7 inferiorparietal L 顶叶下回 other 41 inferiorparietal R 顶叶下回 other
8 inferiortemporal L 颞下回 DAN 42 inferiortemporal R 颞下回 DAN
扣带回峡 扣带回峡
9 isthmuscingulate L DMN 43 isthmuscingulate R DMN
部 部
10 lateraloccipital L 枕叶外侧 VIS 44 lateraloccipital R 枕叶外侧 VIS
11 lateralorbitofrontal L 外侧眶额 DMN 45 lateralorbitofrontal R 外侧眶额 DMN
12 lingual L 舌回 VIS 46 lingual R 舌回 VIS
13 medialorbitofrontal L 内测眶额 DMN 47 medialorbitofrontal R 内测眶额 DMN
14 middletemporal L 颞中回 DAN 48 middletemporal R 颞中回 DAN
15 parahippocampal L 海马旁回 DMN 49 parahippocampal R 海马旁回 DMN
旁中央小 旁中央小
16 paracentral L other 50 paracentral R other
叶 叶
岛盖/额 岛盖/额
17 parsopercularis L DAN 51 parsopercularis R DAN
下回后部 下回后部
额下回眶 额下回眶
18 parsorbitalis L DAN 52 parsorbitalis R DAN
部 部
额下回三 额下回三
19 parstriangularis L DAN 53 parstriangularis R DAN
角部 角部
20 pericalcarine L 距状旁回 other 54 pericalcarine R 距状旁回 other
21 postcentral L 中央后回 other 55 postcentral R 中央后回 other
扣带回后 扣带回后
22 posteriorcingulate L DMN 56 posteriorcingulate R DMN
部 部
23 precentral L 中央前回 other 57 precentral R 中央前回 other

57

万方数据
 太原理工大学硕士学位论文

附录 A 续表

24 precuneus L 楔前叶 DMN 58 precuneus R 楔前叶 DMN

rostralanteriorcingulate 前扣带回 rostralanteriorcingulate 前扣带回
25 DMN 59 DMN
L 后部 R 后部
额中回下 额中回下
26 rostralmiddlefrontal L SAN 60 rostralmiddlefrontal R SAN
部 部
27 superiorfrontal L 额上回 other 61 superiorfrontal R 额上回 other
28 superiorparietal L 顶叶上回 other 62 superiorparietal R 顶叶上回 other
29 superiortemporal L 颞上回 AUD 63 superiortemporal R 颞上回 AUD
30 supramarginal L 缘上回 SAN 64 supramarginal R 缘上回 SAN
31 frontalpole L 额极 other 65 frontalpole R 额极 other
32 temporalpole L 颞极 other 66 temporalpole R 颞极 other
33 transversetemporal L 颞横回 other 67 transversetemporal R 颞横回 other
34 insula L 岛回 SAN 68 insula R 岛回 SAN

58

万方数据
 攻读学位期间取得的研究成果

攻读学位期间取得的研究成果

一、学术论文
[1] Lan Yang, Jing Wei, Ying Li, Bin Wang, Hao Guo, Yanli Yang, Jie Xiang. Test–Retest
Reliability of Synchrony and Metastability in Resting State fMRI[J]. Brain Sci, 2022,
12,66.（SCI 三区）
[2] Jing Wei, Bin Wang, Yanli Yang, Yan Niu, Lan Yang, YuXiang Guo, Jie Xiang. Effects of
virtual lesions on temporal dynamics in cortical networks based on personalized dynamic
models[J]. Neuroimage, 2022: p. 119087.（SCI 一区）
[3] Jie Xiang, Chanjuan Fan, Jing Wei, Ying Li, Bin Wang, Yan Niu, Lan Yang, Jiaqi Lv,
Xiaohong Cui. The task pre-configuration is associated with cognitive performance
evidence from the brain synchrony[J]. Frontiers in Computational Neuroscience, 2022.
（SCI 四区）

二、国家发明专利
无

三、科研项目
[1] 国家自然科学基金委员会，面上项目，62176177，基于脑属性网络建模分析的阿尔
茨海默病诊断和预测研究，2022-01-01 至 2025-12-31，59 万元，在研
[2] 国家自然科学基金委员会，面上项目，61873178，阿尔兹海默症患者多尺度动态脑
网络建模及分析，2019-01-01 至 2022-12-31，63 万元，在研
[3] 山西省科学技术厅，山西省重点研发计划（国际科技合作方面），201803D421047，
基于多尺度动态脑网络的阿尔兹海默症早期智能诊断技术研究，2018-12 至 2021-12，10
万元，结题

四、其他
2021 年太原理工大学“优秀共产党员”。

59

万方数据
 太原理工大学硕士学位论文

60

万方数据
 致 谢

致 谢

时光如梭，岁月如歌。眨眼功夫，我在太原理工大学信息与计算机学院三年的研究
生即将落下帷幕，站在毕业的门槛上，回首往昔，奋斗和辛劳成为昨日记忆，甜美与欢
笑也都永怀心头。太原理工大学以其优良的学习风气、严谨的科研氛围教我求学，以其
博大包容的情怀胸襟、浪漫充实的校园生活育我成人。值此毕业论文完成之际，我谨向
所有关心、爱护、帮助我的人们致以最诚挚的感谢与最美好的祝愿。
本论文是在我的导师相洁教授的悉心指导之下完成的。三年来，相洁教授渊博的专
业知识，严谨的治学态度，精益求精的工作作风，诲人不倦的高尚师德，朴实无华、平
易近人的人格魅力对我影响深远。相老师是我科研生涯的引路人，无论日常工作多么忙
碌，她总会抽出时间听取我们的汇报，与我们探讨科研问题，提供切实可行的建议；她
非常鼓励我们大胆尝试，突破自我，使我不断精进，臻于至善。本论文从选题到完成，
几易其稿，每一步都是在相老师的指导下完成的，倾注了相老师许多心血，在此我向我
的导师相洁教授表示深深的谢意！
本论文的完成也离不开王彬教授的关心与帮助。王彬老师在硕士期间提出了很多宝
贵意见与有益的启示，他耐心与我探讨研究思路和写作，不厌其烦地给我提出修改意见。
他严谨细致、一丝不苟、敢于创新的学术作风深深影响了我，也使我在学术方面不断进
取、不断创新。此外，还要感谢课题组其他关心和帮助过我的老师，正因为有你们的指
导，才能让我的科研水平不断精进，论文结果不断充实。
在此，我还要感谢课题组的师兄师姐、同级伙伴、师弟师妹们，感谢你们给予我的
许多关心和鼓励，我们在生活中互相关照，在学习中互相鞭策，结下了深厚的友谊，愿
我们的未来充实多彩和快乐。
我也要感谢我的家人给与我无微不至的关怀和照顾，多年来一如既往地支持我、鼓
励我，焉得谖草，言树之背，养育之恩，无以为报，愿我的家人今后身体健康，幸福快
乐。
最后，我感谢自己选择了脑科学与智能计算，感谢自己一直以来的坚韧与勇气，道
阻且长，行则将至，行而不辍，未来可期。

61

万方数据